基于区块链的非IID数据联邦学习模型BFLN
分布式、并行与集群计算
2024-07-11 v3
摘要
随着联邦学习应用的日益广泛，数据分布不平衡的问题日益成为重要挑战。联邦学习利用存储在不同训练客户端上的本地数据进行模型训练，而不是将数据集中在服务器上，从而大幅提升了训练数据的隐私和安全性。然而，不同客户端之间的数据分布可能不平衡，不同类别的数据可能分布在不同的客户端上。这对传统联邦学习——其假设数据分布独立同分布（IID）——构成挑战。本文提出了一种针对非IID数据的区块链联邦学习模型（BFLN），将联邦学习与区块链技术相结合。通过引入新的聚合方法和激励算法，BFLN增强了在非IID数据上的联邦学习模型性能。在公开数据集上的实验表明，与其他最先进模型相比，BFLN在提高训练准确率方面取得显著效果，并为个性化联邦学习提供了可持续的激励机制。
引用
@article{arxiv.2407.05276,
title = {BFLN: A Blockchain-based Federated Learning Model for Non-IID Data},
author = {Yang Li and Chunhe Xia and Dongchi Huang and Xiaojian Li and Tianbo Wang},
journal= {arXiv preprint arXiv:2407.05276},
year = {2024}
}