移动物联网中联邦学习模型的公平自主共享
密码学与安全
2020-09-25 v2
摘要
联邦学习能够进行机器学习，并保护相应终端自有训练数据的隐私，而无需上传至中心可信数据聚合服务器。在移动场景中，集中式可信服务器可能不存在，即便存在，时延也不可控，例如智能驾驶汽车。因此，具有隐私意识的边缘移动联邦学习受到越来越多关注。这带来一个问题——在数据于移动终端训练得到学习模型后，如何与其他终端共享模型参数，以构建更准确、更鲁棒的累积最终模型。此类模型共享面临若干挑战，例如共享必须在无第三方可信机构下完成（自主），且共享必须公平，因为模型训练（通过训练数据）具有价值。为应对上述挑战，我们提出一种基于智能合约与 IPFS（星际文件系统）的模型共享协议与算法。所提协议不依赖可信第三方，各终端本地共享/存储个体学习模型。通过大量实验，对所提协议的三个主要步骤进行了评估。三步的平均执行时间分别为 0.059s、0.060s 和 0.032s，证明了其高效性。
引用
@article{arxiv.2007.10650,
title = {Fair and autonomous sharing of federate learning models in mobile Internet of Things},
author = {Xiaohan Hao and Wei Ren and Ruoting Xiong and Xianghan Zheng and Tianqing Zhu and Neal N. Xiong},
journal= {arXiv preprint arXiv:2007.10650},
year = {2020}
}
备注
We found that there are some algorithm errors in our scheme, which need to be modified. We need to revise our paper and resubmit it in the future