基于联邦学习与联盟区块链融合异构模型的分布式计算模型用于求解时变问题
人工智能
2023-06-29 v1 分布式、并行与集群计算
机器学习
摘要
递归神经网络在有效求解对应复杂环境的时变问题方面已取得长足发展。然而,受集中式处理方式所限,模型性能深受现实中模型与数据孤岛等因素影响。因此,联邦学习(FL)等分布式人工智能的出现,使模型间动态聚合成为可能。但FL的集成过程仍依赖服务器,这给整体模型带来较大风险;且其仅允许同构模型间协作,对异构模型间交互尚无良好方案。为此,我们提出一种基于联盟区块链网络的分布式计算模型(DCM),以提升整体模型可信度及异构模型间有效协调。此外,还设计了分布式分层集成(DHI)算法用于全局求解过程。在组内,许可节点收集来自不同无许可节点的本地模型结果,再将聚合结果发回所有无许可节点以规范本地模型处理;迭代完成后,许可节点间对本地结果进行二次集成以获得全局结果。实验中我们验证了DCM的高效性,结果表明所提模型优于许多基于联邦学习框架的先进模型。
引用
@article{arxiv.2306.16023,
title = {A Distributed Computation Model Based on Federated Learning Integrates Heterogeneous models and Consortium Blockchain for Solving Time-Varying Problems},
author = {Zhihao Hao and Guancheng Wang and Chunwei Tian and Bob Zhang},
journal= {arXiv preprint arXiv:2306.16023},
year = {2023}
}