边缘侧的物联网联邦区块链学习

物联网设备在医疗领域，尤其是医学机器学习中远未得到充分利用，然而它们具有无与伦比的优势。物联网设备是低成本、节能、小型且智能的设备。在本文中，我们提出了一种面向物联网设备的分布式联邦学习框架，更具体地说是面向IoMT（医疗物联网）的，利用区块链实现去中心化方案，相较于中心化系统提升了隐私性和效率；这使我们能够从普遍存在的基于云的架构转向边缘。该系统设计用于三种范式：1）在物联网设备上训练神经网络，以允许在将学习与数据集解耦以确保隐私的同时对共享模型进行协作训练。训练以在线方式在所有参与者间同时执行，从而允许对传统方式收集的数据集中可能不存在的实际数据进行训练，并在训练过程中动态调整系统。2）以完全私密的方式训练IoMT系统，以缓解医疗数据保密性问题，并构建在几乎没有数据（若有）存在情况下的鲁棒且可能定制化的模型。3）分配实际的网络训练（这是联邦学习本身所不做的），以允许例如医院利用其闲置计算资源来训练网络模型。