Swarm Learning：概念、应用与趋势综述

May, 2024

Swarm Learning：概念、应用与趋势综述

Swarm Learning: A Survey of Concepts, Applications, and Trends

Elham Shammar, Xiaohui Cui, Mohammed A. A. Al-qaness

TL;DRSwarm Learning is a decentralized machine learning framework that leverages blockchain technology to address privacy and security concerns in deep learning models by reducing central dependency, increasing scalability, and enabling secure and private data management.

Abstract

deep learning models have raised privacy and security concerns due to their reliance on large datasets on central servers. As the number of Internet of Things (IoT) devices increases, artificial intelligence (AI) will be crucial for resource management, data processing, and knowledge a

deep learning models federated learning swarm learning blockchain technology data management

发现论文，激发创造

当群集学习遇见能量系列数据：基于区块链的去中心化协作学习设计

采用基于区块链的分布式网络的群智学习方案可以解决能源领域数据敏感性引发的安全和隐私问题，提升模型性能、增强数据安全性和隐私保护。

Jun, 2024

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

分布式边缘物联网的群体学习

研究论文通过探索分布式群集学习（DSL）这一新颖框架，结合了人工智能和生物群体智能，以解决物联网在无线网络边缘面临的通信和计算瓶颈、设备和数据异构性、安全风险、隐私泄露、非凸优化和复杂无线环境等问题。该框架为无线网络边缘的大规模物联网提供了高效解决方案和强大工具。

Mar, 2024

物联网联邦学习综述

本研究是一项关于边缘设备上联合学习技术在物联网（IoT）应用中的综合调研，探索并分析 FL 在 IoT 数据共享、攻击检测、安全、智慧医疗，智能交通，无人机，智慧城市，智慧工业等应用领域中的潜力，并总结了可借鉴的经验教训和当前的挑战与未来研究方向。

Apr, 2021

分布式联邦学习：愿景、分类和未来方向

本文提出一种基于去中心化的分布式联邦学习（DFL）概念，旨在实现 IoT 智能应用的隐私保护与训练效率。文章首先介绍了 DFL 的基础，其次提出了一个包含匹配理论解决方案的 DFL 框架，最后展望了未来研究方向。

Aug, 2020

关于分散式联邦学习的调查

去中心化联邦学习解决方案的综述，包括现有的方法和未来的研究方向。

Aug, 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

基于大脑风暴优化的群体学习用于糖尿病视网膜病变图像分类

本研究将脑风暴优化算法集成到蜂群学习框架中，名为 BSO-SL。该方法在医疗领域中应用深度学习技术，通过蜂群学习实现医疗图像分类任务的隐私保护及模型效果的提升。实验证明了该方法的有效性。

Apr, 2024

区块链联邦学习在物联网中的应用：一项综合调查

本文全面评估了基于区块链和联邦学习的 Blockchained Federated Learning (BlockFL)，并在四个物联网应用场景中比较了现有 BlockFL 模型的安全性、隐私性、可靠性、效率和数据异构性等特征，结果表明去中心化和透明度使 BlockFL 成为分布式模型训练的安全有效解决方案，但其额外成本和兼容性仍需要进一步研究。

May, 2023

联邦学习与工业物联网的融合：一项综述

本文概述了在工业物联网中整合联邦学习的隐私、资源和数据管理，并针对联邦学习技术在工业物联网中实现数据隐私保护、本地学习等方面的应用提出了挑战、可能的解决方案和未来研究方向。

Jan, 2021