可扩展的基于区块链的联邦学习系统中的公平性、完整性与隐私保护
密码学与安全
2021-11-12 v1 人工智能
分布式、并行与集群计算
摘要
联邦机器学习（FL）允许在敏感数据上集体训练模型，因为只需共享客户端的模型而无需共享其训练数据。然而，尽管 FL 研究已引起广泛关注，该概念在实践中仍缺乏广泛采用。关键原因之一是难以实现同时对所有参与客户端实现公平性、完整性和隐私保护的 FL 系统。为助力解决此问题，本文提出一种融合区块链技术、本地差分隐私和零知识证明的 FL 系统。我们基于多元线性回归的概念验证实现表明，这些前沿技术可组合为一个可扩展且透明的 FL 系统，使经济激励、信任与机密性需求相一致。
引用
@article{arxiv.2111.06290,
title = {Fairness, Integrity, and Privacy in a Scalable Blockchain-based Federated Learning System},
author = {Timon Rückel and Johannes Sedlmeir and Peter Hofmann},
journal= {arXiv preprint arXiv:2111.06290},
year = {2021}
}
备注
This is the accepted version of a paper that will be published in the Special Issue "Federated Learning and Blockchain Supported Smart Networking in Beyond 5G (B5G) Wireless Communication" in Computer Networks