区块链赋能的联邦学习：优势、挑战与解决方案
密码学与安全
2024-10-27 v2 机器学习
摘要
联邦学习是一种分布式机器学习方法，通过在客户端本地训练模型并在参数服务器上聚合模型来保护用户数据隐私。虽然在保护隐私方面有效，但联邦学习系统面临单点故障、缺乏激励和安全性不足等局限性。为了解决这些挑战,将区块链技术集成到联邦学习系统中,以提供更强的安全性、公平性和可扩展性。然而,区块链赋能的联邦学习(BC-FL)系统对网络、计算和存储资源提出了额外要求。本综述提供了最新BC-FL系统研究的全面综述,分析了区块链集成的优势和挑战。我们探讨了区块链为何适用于联邦学习,其实现方式,以及集成的挑战和现有解决方案。此外,我们提供了关于BC-FL系统未来研究方向的见解。
引用
@article{arxiv.2403.00873,
title = {Blockchain-empowered Federated Learning: Benefits, Challenges, and Solutions},
author = {Zeju Cai and Jianguo Chen and Yuting Fan and Zibin Zheng and Keqin Li},
journal= {arXiv preprint arXiv:2403.00873},
year = {2024}
}
备注
This work has been submitted to the IEEE for possible publication