基于区块链的可扩展且激励性联邦学习框架
机器学习
2025-02-21 v1 分布式、并行与集群计算
摘要
联邦学习（FL）通过不共享原始数据实现协作模型训练，既保留了隐私，又利用了分布式数据集。然而，传统联邦学习系统常依赖集中式聚合机制，引入信任问题、单点故障，以及有限的激励机制以鼓励有意义的客户端贡献。随着联邦学习规模化以训练资源密集型模型（如大型语言模型，LLM），这些挑战日益突出，亟需可扩展且去中心化的解决方案。本文提出了一种基于区块链的联邦学习框架，通过集成智能合约和一种新型混合激励机制来解决上述局限性。该框架自动化了关键的联邦学习任务，包括客户端注册、更新验证、奖励分配以及维持透明的全局状态。混合激励机制结合了链上基于对齐的奖励、链下公平性检查和一致性乘子，以确保公平性、透明性和持续的参与度。我们通过气体成本分析评估了该框架，表明其在不同规模的联邦学习场景中具有可行性。
引用
@article{arxiv.2502.14170,
title = {Blockchain-based Framework for Scalable and Incentivized Federated Learning},
author = {Bijun Wu and Oshani Seneviratne},
journal= {arXiv preprint arXiv:2502.14170},
year = {2025}
}