区块链化联邦学习的系统性综述
密码学与安全
2024-06-04 v2 人工智能
摘要
随着机器学习的技术进步，已有有效方法可处理现实生活中生成的海量数据。然而，隐私和可扩展性问题将制约机器学习的发展。联邦学习（FL）可通过将训练任务分配给多个客户端来防止隐私泄露，从而将中心服务器与本地设备分离。但FL仍存在单点故障和恶意数据等缺陷。区块链的出现为FL的部署提供了安全高效的解决方案。本文对区块链化联邦学习（BCFL）的文献进行了全面综述。首先，我们从系统组成的角度探讨区块链如何应用于联邦学习。然后，我们从机制设计的角度分析BCFL的具体功能，并阐明区块链具体解决了FL的哪些问题。我们还调研了BCFL在现实中的应用。最后，我们讨论了若干挑战与未来研究方向。
引用
@article{arxiv.2110.02182,
title = {A Systematic Survey of Blockchained Federated Learning},
author = {Zhilin Wang and Qin Hu and Minghui Xu and Yan Zhuang and Yawei Wang and Xiuzhen Cheng},
journal= {arXiv preprint arXiv:2110.02182},
year = {2024}
}