IronForge：一种开放、安全、公平、去中心化的联邦学习框架
机器学习
2023-01-11 v1 密码学与安全
摘要
联邦学习（FL）提供了一种有效的机器学习（ML）架构，以分布式方式保护数据隐私。然而，不可避免的网络异步、对中心协调器的过度依赖，以及缺乏开放公平的激励机制共同阻碍了其进一步发展。我们提出\textsc{IronForge}，新一代FL框架，其特征是采用基于有向无环图（DAG）的数据结构，并消除对中心协调器的需求以实现完全去中心化运行。\textsc{IronForge}运行于公共开放网络，并通过在DAG中实现状态一致性来启动公平激励机制，使系统适用于训练资源分布不均的网络。此外，针对流行的FL在激励公平与数据隐私方面的攻击，提出了专门的防御策略以确保\textsc{IronForge}的安全性。基于新开发的测试平台FLSim的实验结果凸显了\textsc{IronForge}在各种性能指标、公平性和安全性方面优于现有流行FL框架。据我们所知，\textsc{IronForge}是首个可应用于具有现实网络与训练设置的开放网络的安全且完全去中心化的FL框架。
引用
@article{arxiv.2301.04006,
title = {IronForge: An Open, Secure, Fair, Decentralized Federated Learning},
author = {Guangsheng Yu and Xu Wang and Caijun Sun and Qin Wang and Ping Yu and Wei Ni and Ren Ping Liu and Xiwei Xu},
journal= {arXiv preprint arXiv:2301.04006},
year = {2023}
}