MMAug, 2022

一种基于区块链的带压缩通信的快速联邦学习框架

PDF
TL;DR本研究提出了一种快速、基于区块链的高效通信联邦学习框架，称为 BCFL，通过压缩通信实现了 95-98% 的通信流量减少和 90-95% 的训练时间缩短，同时导出了非凸损失的收敛速度和双凸优化问题以提高训练效果。
blockchain-based federated learningcommunication-efficientcompressionconvergence ratetraining efficiency
发现论文，激发创造
  • 使用二进制神经网络的通信高效联邦学习

    该研究提出了一种使用二进制神经网络在联邦学习框架下进行训练的新方法，通过最大似然估计参数更新方案和理论推导，实现在无需聚合实值辅助参数的情况下，维持性能同时显著降低通信开销。

    Oct, 2021

  • FAIR-BFL：区块链联邦学习的灵活性和激励重设计

    本文介绍了基于区块链的联邦学习（BFL）框架 FAIR-BFL，该框架采用模块化设计，具有更好的灵活性和激励机制，可以解决现有框架中的许多问题，例如节点不诚实、数据隐私和动态调整等。

    Jun, 2022

  • 基于区块链的安全分散式学习

    提出了基于区块链的分布式联邦学习（BDFL），利用区块链进行分散化模型验证和审计，包括审核委员会、激励机制、信誉模型和动态网络更新协议。评估结果表明，BDFL 在存在 30％恶意客户端的系统中，通过信誉机制实现了快速模型收敛和高准确性。

    Oct, 2023

  • 区块链基础的分布式联邦学习框架及其委员会式共识

    本文提出一种基于区块链和委员会共识机制的去中心化联邦学习框架（Blockchain-based Federated Learning framework with Committee consensus），以加强联邦学习的安全性，并讨论了框架的可扩展性。

    Apr, 2020

  • 增强分布式网络中的信任和隐私：基于区块链的联邦学习的综合调查

    区块链与联邦学习的综述和展望，介绍了基于区块链的联邦学习的分类、体系结构和应用，并指出了未来研究方向。

    Mar, 2024

  • 区块链上的设备联邦学习

    本文提出了一种基于区块链技术的联邦学习 (BlockFL) 结构，通过交换和验证本地学习模型更新，实现了在设备上进行机器学习，并利用区块链中的共识机制，无需集中式培训数据或协调。此外，通过考虑通信、计算和共识延迟，分析了 BlockFL 的端到端延迟模型并表征了最佳块生成率。

    Aug, 2018

  • 具有模型验证和基于权益证明共识的强大区块链联邦学习

    本研究提出了基于区块链的分散式联邦学习框架 VBFL，通过利用区块链架构中的两种机制，即引入一种新的去中心化验证机制以验证本地模型更新的合法性，以及设计专用的权益证明共识机制，在稳定性上达到了更高的精度。在 MNIST 分类的仿真结果中，当有 15% 的恶意设备存在时，VBFL 可以实现 87％的准确率，比 Vanilla FL 高 7.4 倍。

    Jan, 2021

  • 通过平衡通信折衷来实现快速联邦学习

    根据局部更新系数和梯度压缩稀疏预算之间的权衡方式，提出了一种新的快速联邦学习方案（Fast FL），该方案通过动态地调整这两种变量来实现最小化学习误差。结果表明，Fast FL 能够快速且一致地实现比文献中类似方案更高的精确度。

    May, 2021

  • 基于区块链的联邦学习在多服务器边缘计算中的延迟优化

    本文研究了面向多服务器边缘计算的基于区块链的联邦学习的延迟优化问题，利用区块链的共识机制建立了去中心化的基于点对点的 ML 模型聚合方案，并通过深度强化学习算法实现了数据卸载决策、移动设备传输功率、频道带宽分配、移动设备的计算分配和哈希功率分配等多个因素的联合考虑来实际降低了系统的延迟、提升了模型训练效率和收敛速率，并提供了对一些重要参数的理论分析和对抗模型污染攻击的防御。

    Mar, 2022

  • 区块链赋能联邦学习：益处、挑战和解决方案

    通过整合区块链技术来提供更强的安全性、公平性和可扩展性，本文对最近关于区块链与联邦学习整合的研究进行了综述，并分析了相关的好处和挑战，同时提供了对未来研究方向的见解。

    Mar, 2024