基于区块链的联邦学习：激励数据共享与惩罚不诚实行为
机器学习
2025-10-29 v1
摘要
随着数据共享对协作与创新的重要性日益增加，确保数据以安全可信的方式管理和共享变得更加重要。数据治理是管理数据的常用方法，但面临诸多挑战，如数据孤岛、数据一致性、隐私、安全性和访问控制。为应对这些挑战，本文提出一个综合框架，将联邦学习中的数据信任与星际文件系统（InterPlanetary File System）、区块链和智能合约相集成，以促进安全且互利的数据共享，同时提供激励、访问控制机制并惩罚任何不诚实行为。实验结果表明，所提模型在提高联邦学习模型准确性的同时，确保了数据共享过程的安全性和公平性。该研究论文还展示了一个去中心化联邦学习平台，该平台利用区块链技术成功在 MNIST 数据集上训练了 CNN 模型。该平台使多个工作节点能够同时训练模型，同时保持数据隐私与安全。去中心化架构和区块链技术的使用实现了工作节点间的高效通信与协调。该平台有潜力促进去中心化机器学习并支持各领域的隐私保护协作。
引用
@article{arxiv.2307.10492,
title = {Blockchain-Based Federated Learning: Incentivizing Data Sharing and Penalizing Dishonest Behavior},
author = {Amir Jaberzadeh and Ajay Kumar Shrestha and Faijan Ahamad Khan and Mohammed Afaan Shaikh and Bhargav Dave and Jason Geng},
journal= {arXiv preprint arXiv:2307.10492},
year = {2025}
}
备注
To appear in the 5th International Congress on Blockchain and Applications (BLOCKCHAIN'23). Publish by the Lecture Notes in Networks and Systems series of Springer Verlag