2CP：在区块链联邦学习环境中透明评估贡献度的去中心化协议
机器学习
2020-11-17 v1 分布式、并行与集群计算
摘要
联邦学习（Federated Learning）利用来自多个来源的数据构建单一模型。虽然初始模型可能仅属于将其带入网络进行训练的参与者，但确定联邦学习训练所得模型的所有权仍是一个开放问题。本文探讨了如何利用区块链（特别是以太坊）来确定联邦学习训练模型的演进所有权。首先，我们使用逐步评估度量来评估联邦学习过程中参与者的相对贡献度。接下来，我们引入2CP，一个包含两种用于区块链联邦学习的新颖协议的框架，这两种协议均根据参与者的相对贡献度以最终模型中的份额奖励贡献者。众包协议（Crowdsource Protocol）允许某参与者提出一个模型进行训练，并使用其自身数据评估对其所做的贡献。即使在无信任环境中，潜在的训练者也能保证获得所得模型的公平份额。联盟协议（Consortium Protocol）即使在没有一方拥有初始模型且无可用的评估者时，也为训练者提供同样的保证。我们使用MNIST数据集进行实验，结果表明两种协议均能产生合理的贡献度评分，即通过以模型中更大份额奖励更大数据集。我们的实验还显示了将2CP与鲁棒的模型聚合机制配对以丢弃来自模型投毒攻击的低质量输入的必要性。
引用
@article{arxiv.2011.07516,
title = {2CP: Decentralized Protocols to Transparently Evaluate Contributivity in Blockchain Federated Learning Environments},
author = {Harry Cai and Daniel Rueckert and Jonathan Passerat-Palmbach},
journal= {arXiv preprint arXiv:2011.07516},
year = {2020}
}