Nov, 2023

FBChain: 基于区块链的联邦学习模型，具备高效和安全通信

HTML
PDF
TL;DR使用基于区块链的联邦学习（FBChain）模型，通过加密参数保护数据隐私、比较哈希值验证数据一致性，以及利用Proof of Weighted Link Speed（PoWLS）共识算法解决联邦学习中的参数泄露和通信低效的问题，实验证明FBChain模型在提高模型通信效率方面的有效性。
发现论文，激发创造
  • 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

  • 区块链辅助分布式联邦学习（BLADE-FL）：性能分析和资源分配

    提出了一种区块链辅助的去中心化联邦学习（BLADE-FL）框架，以解决标准FL在模型聚合方面存在的问题，并探讨了懒客户对学习性能的影响及优化方法。

    Jan, 2021

  • 区块链实现安全、可靠的联邦学习

    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

  • 一种基于区块链的带压缩通信的快速联邦学习框架

    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。

    Aug, 2022

  • 基于区块链的联邦学习和数据隐私调查

    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

  • 基于区块链的优化客户选择和隐私保护联邦学习框架

    基于区块链、智能合约和同态加密技术，设计了一种保护数据隐私的联邦学习框架，实现了分散化的训练过程，并取得了较高的准确率。

    Jul, 2023

  • 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

  • 基于区块链的联邦学习系统中的隐私保护

    本文综述了科学界在采用区块链增强的联邦学习场景下定义隐私解决方案所做的研究工作，包括对联邦学习和区块链的背景进行全面总结，评估现有的整合架构以及确保隐私的主要攻击和可能的对策，最后回顾了应用联邦学习增强的区块链在主要应用场景中取得的成果，为学术界和工业界的从业者提供了有助于提升联邦学习性能的理论和技术，同时指出了在这个新颖且尚未充分开发的领域中的主要挑战和未来方向。

    Jan, 2024

  • 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

  • 平衡安全性与准确性：一种新颖的联邦学习方法用于区块链网络中的网络攻击检测

    本研究针对区块链数据共享网络中网络攻击检测的复杂挑战，提出了一种新颖的协作网络攻击检测系统。通过结合不同隐私保护技术，系统性地探讨了多种噪声类型对攻击检测准确性、模型收敛时间和全局模型生成总运行时间的影响，发现了数据隐私与系统性能之间的微妙权衡，提供了优化参数的宝贵见解。

    Sep, 2024