FAIR-BFL：面向基于区块链的联邦学习的灵活与激励重设计
分布式、并行与集群计算
2022-06-28 v1 人工智能
摘要
vanilla 联邦学习(FL)依赖于集中式全局聚合机制，并假设所有客户端都是诚实的。这使得FL难以缓解单点故障与不诚实客户端问题。FL设计理念中这些迫近的挑战，因FL与区块链耦合所带来的好处（如民主化、激励与不可篡改性），呼唤基于区块链的联邦学习(BFL)。然而，vanilla BFL的一个问题在于其能力不能以动态方式顺应采用者的需求。此外，vanilla BFL依赖于客户端不可验证的自报贡献（如数据规模），因为在FL中出于隐私考量不允许检查客户端的原始数据。我们设计并评估了一种新颖的BFL框架，以更大的灵活性与称为FAIR-BFL的激励机制解决了vanilla BFL中已识别的挑战。与现有工作相反，FAIR-BFL通过模块化设计提供前所未有的灵活性，允许采用者以动态方式依据业务需求调整其能力。我们的设计考虑了BFL量化每个客户端对全局学习过程贡献的能力。这种量化为在联邦客户端间分配奖励提供了合理度量，并有助于发现可能毒化全局模型的恶意参与者。
引用
@article{arxiv.2206.12899,
title = {FAIR-BFL: Flexible and Incentive Redesign for Blockchain-based Federated Learning},
author = {Rongxin Xu and Shiva Raj Pokhrel and Qiujun Lan and Gang Li},
journal= {arXiv preprint arXiv:2206.12899},
year = {2022}
}
备注
To appear in the proceedings of the 51st International Conference on Parallel Processing (ICPP 2022)