Apr, 2024

端到端可验证去中心化联邦学习

PDF
TL;DR提出了一个可验证的分散式联邦学习系统，结合区块链和零知识证明，可以在工作者之间验证本地学习和全局聚合的计算完整性。通过引入两步证明和验证的方法，实现了数据和计算的端到端完整性和真实性验证，解决了机密性和透明性之间的冲突。在一个原型实现上的评估表明，与最先进的解决方案相比，技术上是可行的，并且只有较小的性能开销。
verifiable decentralized federated learningblockchainszero-knowledge proofsend-to-end integrity and authenticitytwo-step proving and verification
发现论文，激发创造
  • zkFDL：一种高效且隐私保护的分散式联邦学习方案与零知识证明

    基于零知识证明的聚合器 (zkDFL) 使用区块链技术管理聚合算法，以验证进程正确性、增强隐私保护和可扩展性，同时显著降低了燃气成本。

    Dec, 2023

  • zkFL：基于零知识证明的联邦学习梯度聚合

    zkFL 使用零知识证明和区块链处理恶意聚合器问题，提高安全性和隐私性。

    Oct, 2023

  • 低成本零知识证明的安全可验证数据协作

    我们提出了一种新颖且高效的解决方案 RiseFL，用于安全和可验证的数据协作，同时确保输入的隐私和完整性。

    Nov, 2023

  • 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

  • 朝着可验证的联邦学习

    本文回顾了关于验证型 FL 的研究工作，提出了一个新的分类方法，总结了常用的性能评估方法，并讨论了向多功能可验证 FL 框架的有前途方向。

    Feb, 2022

  • 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

  • FedZKP：使用零知识证明的联邦模型所有权验证

    本文提出了一种名为 FedZKP 的可证明安全的模型所有权验证方案，它使用零知识证明来保护联邦模型的隐私不被抄袭或滥用，通过理论分析和实证研究证明了 FedZKP 的安全性和鲁棒性。

    May, 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

  • 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