基于区块链的联邦学习系统中的隐私保护

Jan, 2024

基于区块链的联邦学习系统中的隐私保护

Privacy-Preserving in Blockchain-based Federated Learning Systems

Sameera K. M., Serena Nicolazzo, Marco Arazzi, Antonino Nocera, Rafidha Rehiman K. A....

TL;DR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。

Abstract

federated learning (FL) has recently arisen as a revolutionary approach to collaborative training Machine Learning models. According to this novel framework, multiple participants train a global model collaboratively, coordinating with a central aggregator without sharing their local d

federated learning blockchain-enabled fl privacy solutions integration architectures application scenarios

发现论文，激发创造

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

一个可扩展的基于区块链的联邦学习系统中的公正性、完整性和隐私保护

本论文旨在探究如何采用区块链技术，本地差分隐私和零知识证明等前沿技术，构建一个公平、透明、保护隐私的分散式机器学习系统，以有效解决实践中的公正、完整性和隐私问题。

Nov, 2021

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

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

联邦学习：最新进展与应用的前沿综述

在机器学习系统中，通过联邦学习作为一个安全的分布式机器学习方法，有效提升隐私安全；它利用区块链技术将机器学习模型转移到边缘服务器，通过这种机制保证了集中式和分散式系统的高效处理和数据存储需求，强调可伸缩性、隐私考虑和成本有效的通信。本文对最近的联邦学习应用进行了分析和比较，以评估其效率、准确性和隐私保护。然而，鉴于联邦学习复杂且不断演化的特点，明确需要进一步研究来解决知识间的差距并有效应对该领域面临的挑战。在本文中，我们将最近的文献分为以下几个类别：隐私保护、资源分配、案例研究分析和应用，此外，在每个章节的末尾，我们还对参考文献中提出的开放领域和未来方向进行了总结，为研究人员提供了领域演进的深入视角。

Oct, 2023

区块链在联邦学习中防御恶意行为的应用

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

当联邦学习遇见区块链：一种新的分布式学习范式

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

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

联邦学习的进展：模型、方法和隐私

本文详细阐述了联邦学习的体系结构、应用问题、算法设计原则和安全问题，提出了一种更加通用的算法设计框架、攻击场景和防御方法，致力于将联邦学习与真实世界应用相集成并实现高性能、隐私保护和安全性。

Feb, 2023

PPBFL：一种基于区块链的隐私保护联邦学习模型

利用区块链和差分隐私技术，提出一种隐私保护的基于区块链的联邦学习模型（PPBFL），以增强联邦学习的安全性并促进节点在模型训练中的积极参与。通过将模型参数存储在 IPFS 中，区块链确保模型参数不会被篡改，并同时采用一种新颖的自适应差分隐私添加算法来保护本地模型和全局模型的隐私，以防止大量本地模型对全局模型安全性的影响。此外，引入了一种新的混合交易机制，以更好地保护本地训练客户的身份隐私。安全分析和实验结果表明，PPBFL 在模型性能和安全性方面优于基线方法。

Jan, 2024