个性化医疗中基于区块链的隐私保护二阶联邦边缘学习
机器学习
2026-01-09 v2 密码学与安全
机器学习
摘要
联邦学习 (FL) 因能解决传统以云为中心的机器学习 (ML) 中的安全和隐私问题而日益受到认可，特别是在可穿戴设备等个性化健康监测领域。通过基于局部化策略实现全局模型训练，FL 允许资源受限的可穿戴设备独立运行。然而，由于每个人独特的生理特征和使用模式产生的异构非独立同分布 数据，传统的一阶 FL 方法在个性化模型训练中面临诸多挑战。近期，二阶 FL 方法在改善个性化模型训练的同时，维持了 non-iid 数据集的稳定性和一致性。本研究提出并开发了一个可验证且可审计的优化二阶 FL 框架 BFEL (blockchain enhanced federated edge learning)，该框架基于优化的 FedCurv，专为个性化医疗系统设计。FedCurv 融合了每个参数对每个客户端任务重要性的信息（通过 Fisher 信息矩阵），这有助于保留客户端特定知识并减少聚合过程中的模型漂移。此外，它在有效管理 non-iid 和异构数据上的个性化训练的同时，最小化了每个客户端设备达到目标精度收敛所需的通信轮数。结合基于以太坊的模型聚合确保了信任、可验证性和可审计性，而公钥加密增强了隐私和安全性。利用 mnist、cifar-10 和 PathMnist 进行的联邦 CNN 和 MLP 实验结果表明，该框架具有高效率、可扩展性、适用于可穿戴设备的边缘部署，以及通信成本的显著降低。
引用
@article{arxiv.2506.00416,
title = {Blockchain-Enabled Privacy-Preserving Second-Order Federated Edge Learning in Personalized Healthcare},
author = {Anum Nawaz and Muhammad Irfan and Xianjia Yu and Hamad Aldawsari and Rayan Hamza Alsisi and Zhuo Zou and Tomi Westerlund},
journal= {arXiv preprint arXiv:2506.00416},
year = {2026}
}