Feb, 2024

区块链上的去中心化联邦遗忘

PDF
TL;DR使用变色龙哈希技术，通过重新设计区块链结构，我们提出了具有通用性的区块链联合取消学习框架 Blockchained Federated Unlearning (BlockFUL)，以减少模型更新的复杂性、计算和共识成本，并支持多种取消学习方法，确保模型更新的完整性和可追溯性。我们对梯度上升和重新训练这两种典型的取消学习方法进行了全面研究，证明了在这两个类别中以最少的变色龙哈希和区块更新操作实现高效的取消学习流程，并进一步比较了这些方法的计算和通信成本。
blockchained federated learningblockchained federated unlearningchameleon hash technologyunlearning methodscomputational and consensus costs
发现论文，激发创造
  • 基于区块链的可信任联合遗忘

    提出了一种基于区块链的可信联邦取消学习框架，通过验证数据删除和消除其他客户端模型中存储的数据贡献，实现更好的数据删除效果，从而解决了现有工作中需要中央服务器保留分布式客户端的历史模型参数的问题。

    Jan, 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

  • 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

  • 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

  • VeryFL: 一种嵌入区块链的可验证联邦学习框架

    我们设计并开发了一个嵌入以太坊网络的基于区块链的联邦学习框架，该框架提出了一种 FL 与区块链结合的代码实践范例，并且与普通的 FL 训练任务兼容。此外，我们还提出了基于区块链的模型所有权认证架构和模型水印技术来保护模型的知识产权。这些机制在区块链上为联邦学习提供了可验证的训练、聚合和激励分配过程，并将此框架命名为 VeryFL（嵌入区块链的验证联邦学习框架）。

    Nov, 2023

  • 区块链增强的机器遗忘的联邦学习：一种可信赖的方法

    整合区块链技术和联邦学习以应对隐私合规和用户数据删除请求的需求，该研究论文探讨了传统遗忘方法的不足之处，并介绍了一种将区块链与联邦学习融合的框架，以确保遗忘请求和行动的不可变记录，并提升数据安全性和隐私保护，以及优化数据管理以保证物联网环境中的系统响应能力。

    May, 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

  • 基于区块链的异步联邦学习的去中心化

    本研究使用一款模拟工具，研究了使用区块链技术达到去中心化的联邦学习（FLchain）所带来的影响，并探究了信息时效性和账本不一致性这两点对 FL 性能的影响。

    May, 2022

  • 区块链联邦学习中分权化的含义：评估模型过期和不一致性的影响

    本文研究了将 FL 的协调工作外包到区块链等民主网络中所造成的模型陈旧和不一致对异步设备训练过程的影响，并通过仿真评估了区块链的 FL 运作在著名的 CIFAR-10 数据集上的准确性和及时性。结果表明，模型不一致对模型的准确性有很大影响（预测准确性降低了约 35%），这凸显了根据基本 FL 应用特性来合理设计区块链系统的重要性。

    Oct, 2023

  • 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