FedCoin：一种面向联邦学习的点对点支付系统
密码学与安全
2020-02-28 v1 机器学习
机器学习
摘要
联邦学习（FL）是一种新兴的协作机器学习方法，用于在具有隐私顾虑的分布式数据集上训练模型。为恰当激励数据所有者贡献其努力，常采用 Shapley 值（SV）来公平评估其贡献。然而，SV 的计算耗时且计算成本高昂。本文中，我们提出 FedCoin，一种基于区块链的面向 FL 的点对点支付系统，以实现基于 SV 的可行利润分发。在 FedCoin 中，区块链共识实体计算 SV，并基于 Shapley 证明（PoSap）协议创建新区块。这与流行的比特币网络形成对比，后者中共识实体通过求解无意义的谜题来“挖”新区块。基于计算出的 SV，提出了一种在 FL 客户端间分割激励收益的方案，具有不可抵赖与防篡改特性。基于真实数据的实验结果表明，FedCoin 能够通过精确计算 SV 并在达成共识所需计算资源上设定上界，来促进 FL 客户端提供高质量数据。它为非数据所有者在 FL 中发挥作用开辟了机会。
引用
@article{arxiv.2002.11711,
title = {FedCoin: A Peer-to-Peer Payment System for Federated Learning},
author = {Yuan Liu and Shuai Sun and Zhengpeng Ai and Shuangfeng Zhang and Zelei Liu and Han Yu},
journal= {arXiv preprint arXiv:2002.11711},
year = {2020}
}
备注
7 pages, 6 figures,21 references