区块链增强的机器遗忘的联邦学习：一种可信赖的方法

May, 2024

区块链增强的机器遗忘的联邦学习：一种可信赖的方法

Federated Learning with Blockchain-Enhanced Machine Unlearning: A Trustworthy Approach

Xuhan Zuo, Minghao Wang, Tianqing Zhu, Lefeng Zhang, Shui Yu...

TL;DR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。

Abstract

With the growing need to comply with privacy regulations and respond to user data deletion requests, integrating machine unlearning into IoT-based federated learning has become imperative. Traditional unlearning methods, however, often lack verifiable mechanisms, leading to challenges

machine unlearning iot-based federated learning blockchain technology verifiable certification data security

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

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

面向物联网的协作机器学习的区块链解决方案

本文提出了一种将增量学习矢量量化算法（XuILVQ）与以太坊区块链技术结合，以促进分布式环境中的安全高效数据共享、模型训练和原型存储的新型物联网解决方案。通过一系列实验评估我们的系统性能，展示了其在物联网环境中提高机器学习任务准确性和效率的潜力。

Nov, 2023

边缘计算下的物联网联邦区块链学习

本文提出了一个分布式联邦学习框架，使用区块链实现去中心化方案，将云端架构转移到边缘，实现 IoT 设备上的神经网络训练，解决医疗数据隐私和医疗设备缺乏数据的问题，同时实现网络模型的分布式训练。

Apr, 2023

FedBlockHealth：联邦学习与区块链的协同应用，增强 IoT 医疗保健数据隐私与安全

本文提出一种新型的混合方法，将联邦学习和区块链技术相结合，为物联网医疗应用提供安全的隐私保护解决方案，保护数据隐私，保证计算效率，同时保持数据完整性和访问控制。

Apr, 2023

基于区块链的联邦学习：激励数据共享与惩罚不诚实行为

该研究论文提出了一个综合框架，结合了区块链、智能合约和星际文件系统，通过在联邦学习中整合数据信任，以便安全地共享数据并提供激励、访问控制机制和惩罚任何不诚实的行为，实验证明该模型在提高联邦学习模型的准确性的同时确保数据共享过程的安全和公平性；论文还介绍了一种分散化的联邦学习平台，成功地使用区块链技术在 MNIST 数据集上训练了一个 CNN 模型，这个平台使多个工作器能够同时训练模型，同时保护数据的隐私和安全性，分散化的架构和区块链技术的应用允许工作器之间进行高效的通信和协作，该平台具备促进分散化机器学习并支持各个领域隐私保护合作的潜力。

Jul, 2023

利用区块链进行中心数据联邦学习以保障完整性

提出一种通过区块链和智能合约实现的数据中心联邦学习架构，其中包含一个虚拟的公共市场，提供高质量的数据以供训练，通过激励机制提高数据质量和完整性，该架构有助于提高训练数据集的增长速度和模型准确性。

Jun, 2022

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

区块链上的去中心化联邦遗忘

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。

Feb, 2024

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