ChainLearn：基于区块链的联邦性质学习容量感知框架
机器学习
2026-05-26 v1
摘要
联邦学习在医学影像中得到广泛应用，因隐私原因数据无法集中。标准联邦算法假设硬件均匀、架构相同并采用集中式聚合，这在医院计算资源不均衡时会失败。我们提出容量感知协调方案：测量各医院的吞吐量，分配匹配容量的架构(MobileNetV3-Small、EfficientNet-B0、ResNet-50)，并通过加权集成组合预测。弱资源和强资源医院可参与而无需统一架构。我们将策略层面与学习层面分离。Solidity 智能合约存储医院注册信息、基准散列、指标和权重。医院本地训练后仅提交散列和标量(不提交参数)。加权集成推断在链外计算。在 PneumoniaMNIST 和 DermaMNIST 上的实验(5 个随机种子，3 个非独立同分布等级)显示，我们的方法在校准误差上不输或优于等权集成，在准确率上与 FedAvg、FedProx 和 FedMD 相当。通信开销仅 224 字节/轮，较 FedAvg 降低了超过 912,000 倍。
引用
@article{arxiv.2605.24418,
title = {ChainLearn: A Blockchain-Based Capacity-Aware Framework for Federated Ensemble Learning},
author = {Karan Sharma and Aditya Tripathi and Rahul Mishra and Tapas Kumar Maiti},
journal= {arXiv preprint arXiv:2605.24418},
year = {2026}
}
备注
10 pages, 7 figures, 11 tables. IEEE conference format. Code: https://github.com/EdddTri/ChainLearn