基于区块链的联邦学习与数据隐私研究综述
机器学习
2023-07-03 v1
摘要
联邦学习是一种去中心化的机器学习范式，允许多个客户端通过利用本地计算能力和模型传输进行协作。该方法降低了与集中式机器学习方法相关的成本和隐私担忧，同时通过将数据分布在异构设备上来确保数据隐私。另一方面，联邦学习由于在存储、传输和共享过程中缺乏隐私保护机制，存在数据泄露的缺陷，从而对数据所有者和供应方构成重大风险。区块链技术已成为联邦学习中提供安全数据共享平台的一项有前景的技术，尤其在工业物联网（IIoT）环境中。本综述旨在比较基于区块链的联邦学习架构中采用的各种数据隐私机制的性能和安全性。我们对区块链技术在联邦学习方面提供的安全数据共享平台的现有文献进行了系统回顾，深入概述了基于区块链的联邦学习、其基本组成部分，并讨论了其原理和潜在应用。本综述论文的主要贡献是确定关键研究问题，并提出基于区块链的联邦学习未来研究的潜在方向。
引用
@article{arxiv.2306.17338,
title = {A Survey on Blockchain-Based Federated Learning and Data Privacy},
author = {Bipin Chhetri and Saroj Gopali and Rukayat Olapojoye and Samin Dehbash and Akbar Siami Namin},
journal= {arXiv preprint arXiv:2306.17338},
year = {2023}
}
备注
Accepted in COMPSAC 2023IEEE 47th Annual Computers, Software, and Applications Conference Total 10 pages 9 pages and 1 page citation