基于委员会与区块链的去中心化联邦学习
分布式、并行与集群计算
2022-05-24 v1
摘要
机器学习算法无疑是近年来最流行的算法之一,神经网络已展现出前所未有的精度。在日常生活中,不同社群可能具有不同用户特征,这也意味着训练一个强模型需要不同社群的联合,因此隐私问题亟待解决。联邦学习是一种流行的隐私解决方案,各社群无需暴露具体数据,仅需向协调服务器上传子模型以训练更强大的模型。然而,联邦学习也存在一些问题,例如协调服务器的安全性与公平性。对此已证实的解决方案是联邦学习的去中心化实现。在本文中,我们应用区块链与共识算法等去中心化工具,设计了一个支持联盟环境下联邦学习去中心化运行的支撑系统,涉及激励、安全性、公平性等的探索。最后,我们通过实验验证了系统的性能、联邦学习的效果以及隐私保护的可用性。
引用
@article{arxiv.2205.11137,
title = {Decentralized Federated Learning Based on Committees and Blockchain},
author = {Yang ChaoQun},
journal= {arXiv preprint arXiv:2205.11137},
year = {2022}
}