DID-eFed：以去中心化身份促进联邦学习即服务
密码学与安全
2022-01-25 v2 分布式、并行与集群计算
机器学习
摘要
我们已进入大数据时代，其被视为人工智能应用蓬勃发展的“燃料”。欧盟《通用数据保护条例》（GDPR）的颁布引发了人们对大数据中个人隐私的担忧。联邦学习（FL）作为一种功能性解决方案应运而生，它有助于在多方之间构建共享的高性能模型，同时仍满足用户隐私和数据机密性要求。尽管 FL 已被深入研究和用于实际应用程序，但关于其作为 FLaaS（联邦学习即服务）面向感兴趣第三方的前景与应用的研究仍然有限。在本文中，我们提出一个 FLaaS 系统：DID-eFed，其中 FL 由去中心化身份（DID）和智能合约所促进。DID 在我们的系统中实现了更灵活且可信的去中心化访问管理，而智能合约提供了顺畅且更少出错的流程。我们特别描述了 DID-eFed 实现医院与研究机构之间 FLaaS 的场景。
引用
@article{arxiv.2105.08671,
title = {DID-eFed: Facilitating Federated Learning as a Service with Decentralized Identities},
author = {Jiahui Geng and Neel Kanwal and Martin Gilje Jaatun and Chunming Rong},
journal= {arXiv preprint arXiv:2105.08671},
year = {2022}
}
备注
Paper accepted in EASE2021