HLF-FSL. 一种面向物联网的去中心化联邦分片学习解决方案
机器学习
2025-07-11 v1
摘要
协同机器学习在敏感领域需要可扩展、隐私保护的企业级解决方案。传统联邦学习（FL）依赖中心服务器，引入单点故障和隐私风险；而分片学习（SL）通过模型分片实现隐私保护，但因顺序训练导致规模扩张不佳。我们提出一种去中心化架构，将联邦分片学习（FSL）与权限链 blockchain Hyperledger Fabric（HLF）相结合。链码无需任何中心协调器，即可协调FSL的分片模型执行和点对点聚合，利用HLF的瞬时字段和私有数据集合（PDCs）保护原始数据和模型激活。实验在CIFAR-10和MNIST基准上表明，HLF-FSL在保持集中FSL准确率的同时，相较于基于以太坊的工作方案缩短了每个epoch的训练时间。性能和可扩展性测试显示，区块链开销最小且准确率得以保持，展示了企业级可行性。
引用
@article{arxiv.2507.07637,
title = {HLF-FSL. A Decentralized Federated Split Learning Solution for IoT on Hyperledger Fabric},
author = {Carlos Beis Penedo and Rebeca P. Díaz Redondo and Ana Fernández Vilas and Manuel Fernández Veiga and Francisco Troncoso Pastoriza},
journal= {arXiv preprint arXiv:2507.07637},
year = {2025}
}
备注
19 pages, 7 figures and 6 tables