BlockFLow：一种可问责且隐私保护的联邦学习解决方案
机器学习
2020-07-09 v1 密码学与安全
机器学习
摘要
联邦学习使协作智能体能够在无需共享底层数据的情况下开发机器学习模型。然而，在随机数据上训练的恶意智能体，或更糟地，在结果类别反转的数据集上训练的恶意智能体，会削弱组合模型。BlockFLow是一个完全去中心化且隐私保护的可问责联邦学习系统。其主要目标是按贡献质量比例奖励智能体，同时保护底层数据集的隐私并对恶意对手具有弹性。具体而言，BlockFLow结合了差分隐私，引入了一种新颖的模型贡献审计机制，并利用以太坊智能合约激励良好行为。与现有的联邦学习系统审计与问责方法不同，我们的系统不需要集中测试数据集、智能体间数据共享或一个及以上可信审计者；它是完全去中心化的，在恶意信任模型下对高达50%的合谋攻击具有弹性。当在公共以太坊区块链上运行时，BlockFLow利用审计结果基于贡献质量以加密货币奖励各方。我们在两个可通过逻辑回归模型解决分类任务的数据集上评估了BlockFLow。我们的结果表明，所得审计分数反映了诚实智能体数据集的质量。此外，不诚实智能体的分数在统计上低于诚实智能体。这些结果连同合理的区块链成本，证明了BlockFLow作为可问责联邦学习系统的有效性。
引用
@article{arxiv.2007.03856,
title = {BlockFLow: An Accountable and Privacy-Preserving Solution for Federated Learning},
author = {Vaikkunth Mugunthan and Ravi Rahman and Lalana Kagal},
journal= {arXiv preprint arXiv:2007.03856},
year = {2020}
}