FedBChain: 基于区块链的联邦学习框架，通过比较策略洞察改进DeepConvLSTM
机器学习
2024-08-08 v2 人机交互
摘要
人体活动识别（Human Activity Recognition）领域的最新研究表明，通过减少LSTM层的数量可以提升预测性能。然而，这种增强仅在单体架构上显著，而在运行大规模分布式训练时，数据安全和隐私问题将被重新审视，且其预测性能尚不清楚。在本文中，我们提出了一种新型框架FedBChain，它将基于改进的DeepConvLSTM架构（仅含单层LSTM）的联邦学习范式与区块链技术相结合。该框架在三个不同真实数据集上，基于三种不同隐藏层单元数（128、256和512），分别结合五种不同联邦学习策略进行了预测性能的对比测试。结果表明，与集中式训练方法相比，我们的架构在所有数据集、所有隐藏层单元和所有策略上均显著提升了精确率、召回率和F1分数：FedAvg策略平均提升4.54%，FedProx平均提升4.57%，FedTrimmedAvg平均提升4.35%，Krum平均提升4.18%，FedAvgM平均提升4.46%。从结果可以看出，FedBChain不仅提升了性能，而且在训练过程中与集中式训练方法相比保证了用户数据的安全性和隐私性。我们的实验代码公开可用（https://github.com/Glen909/FedBChain）。
引用
@article{arxiv.2407.21282,
title = {FedBChain: A Blockchain-enabled Federated Learning Framework for Improving DeepConvLSTM with Comparative Strategy Insights},
author = {Gaoxuan Li and Chern Hong Lim and Qiyao Ma and Xinyu Tang and Hwa Hui Tew and Fan Ding and Xuewen Luo},
journal= {arXiv preprint arXiv:2407.21282},
year = {2024}
}