Federated Learning is proposed as an alternative to logging and training in a data center by aggregating locally-computed updates on mobile devices to improve the user experience. The approach is shown to be robust to non-IID data distributions and reduce required communication rounds by 10-100x compared to synchronized stochastic gradient descent.

Feb, 2016

本文介绍了一个基于轻量级加密和数据混淆的联邦学习系统，结合恰当的带宽效率优化和对云服务器主动攻击的安全保护机制，在保证客户端数据隐私的前提下，整合来自多源的数据进行联合训练，并在多项数据集（MNIST、CIFAR-10、CelebA）上验证该系统的可行性及精度。

Feb, 2022

本研究提出了一种基于区块链的框架，通过智能合约共同构建数据集并持续更新模型，使其在公共场所免费使用，并采用金融和非金融激励机制以保证数据的准确性。

Jul, 2019

本文研究了基于区块链的去中心化联邦学习框架，该框架能够防止恶意客户端破坏学习过程，提供自我激励和可靠的学习环境，并将模型聚合过程完全分散化，同时解决了独特的技术问题，并提供了实验结果。

Sep, 2020

本文提出了一种通过特征融合方法来提高预测性能，解决了在分布式物联网中利用不同模型进行本地学习而合并本地模型以实现一致性的问题。通过在现实场景中的应用，如电力网和交通网络，证明了此方法的有效性。

Jun, 2023

本文探讨了基于区块链技术进行联邦学习的安全数据共享平台的性能和安全性，系统地回顾了现有的研究。结论是目前该领域仍有许多值得探究的问题和研究方向。

Jun, 2023

该研究论文提出了一个综合框架，结合了区块链、智能合约和星际文件系统，通过在联邦学习中整合数据信任，以便安全地共享数据并提供激励、访问控制机制和惩罚任何不诚实的行为，实验证明该模型在提高联邦学习模型的准确性的同时确保数据共享过程的安全和公平性；论文还介绍了一种分散化的联邦学习平台，成功地使用区块链技术在 MNIST 数据集上训练了一个 CNN 模型，这个平台使多个工作器能够同时训练模型，同时保护数据的隐私和安全性，分散化的架构和区块链技术的应用允许工作器之间进行高效的通信和协作，该平台具备促进分散化机器学习并支持各个领域隐私保护合作的潜力。

Jul, 2023

提出一种通过区块链和智能合约实现的数据中心联邦学习架构，其中包含一个虚拟的公共市场，提供高质量的数据以供训练，通过激励机制提高数据质量和完整性，该架构有助于提高训练数据集的增长速度和模型准确性。

Jun, 2022

本文提出了一种基于联盟区块链网络的分布式计算模型 (DCM)，旨在提高整体模型的可信度和异构模型之间的有效协调，并设计了一种分布式分层集成 (DHI) 算法来实现全局解决方案过程，实验结果表明 DCM 模型优于许多基于联邦学习框架的最新模型。

Jun, 2023

本论文设计了一个基于声誉机制的联邦学习系统，使用区块链和差分隐私等技术保护用户隐私和数据，帮助家电制造商训练机器学习模型以预测用户行为并改善产品和服务。

Jun, 2019