基于区块链的安全分散式学习
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
提出了一个针对联邦学习的安全可信的区块链框架(SRB-FL),以应对由于不可靠参与设备、大量训练模型和匿名性等方面导致的挑战,建立一个基于区块链分片的安全联邦学习,确保数据可靠性、可扩展性和可信度,并引入一种激励机制提高 FL 设备的可靠性。实验表明,SRB-FL 框架高效可扩展,是实现联邦学习的一种可行解决方案。
Jan, 2022
提出一种基于区块链和分布式账本技术的安全可靠的联邦学习系统,该系统结合了点对点投票机制和激励 - 惩罚机制来检测和防止恶意行为,理论分析和实证分析表明,该框架抵御了客户端恶意行为。
Jul, 2023
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
使用去中心化的基于区块链的安全可靠的 FLock 系统,采用分布式账本技术来保护数据隐私并设计了一种新增奖励和惩罚机制以检测和防止恶意客户,并提供激励以确保 FLock 系统中的模型参数上传的诚实性和模型质量
Nov, 2022
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
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
本研究提出了一种去耦合监测和检测阶段的技术,用于监测 FL 部署中工作节点的行为,建立在基于区块链的 FL 之上,并证明了该技术可以提高网络的可扩展性、鲁棒性和时间效率。
Sep, 2022