利用区块链增强半去中心化联邦学习的可扩展性与可靠性：信任惩罚与异步机制
机器学习
2025-07-11 v1
摘要
本文提出了一种创新方法，通过集成区块链技术来解决分布式联邦学习在可扩展性与可靠性方面的挑战。论文侧重于通过信任惩罚机制增强参与节点的可信度，同时实现异步功能以进行高效且鲁棒的模型更新。通过将半去中心化联邦学习与区块链相结合（SDFL-B），所提出的系统旨在创建一个公平、安全且透明的协作机器学习环境，且不损害数据隐私。本研究给出了完整的系统架构、方法、实验结果和讨论，展示了这种新方法在构建可扩展且可靠的 SDFL-B 系统方面的优势。
引用
@article{arxiv.2310.19287,
title = {Enhancing Scalability and Reliability in Semi-Decentralized Federated Learning With Blockchain: Trust Penalization and Asynchronous Functionality},
author = {Ajay Kumar Shrestha and Faijan Ahamad Khan and Mohammed Afaan Shaikh and Amir Jaberzadeh and Jason Geng},
journal= {arXiv preprint arXiv:2310.19287},
year = {2025}
}
备注
To appear in 2023 IEEE Ubiquitous Computing, Electronics & Mobile Communication Conference (IEEE UEMCON)