基于区块链的具有差分数据共享的隐私保护联邦学习

对于数据正成为最宝贵资产之一的现代世界，根植于网络与应用基础架构的稳健数据隐私策略，对于保护敏感用户数据正变得愈发必要。随着侵犯用户隐私的新统计技术不断演进，尊重用户隐私构建算法的机器学习模型，可提供一个动态自适应方案，以抵御数据集所建立的指数级增长的多维关系对用户隐私的侵犯。在以隐私感知ML模型为核心构建的联邦学习生态系统中，可使整个网络以去中心化方式从数据中学习。通过利用移动设备日益增长的计算能力、不断提升的网络可靠性以及革新智能设备行业的IoT设备，并将其与由区块链网络支撑的安全且可扩展的全局学习会话相结合（该会话能够确保设备端隐私），我们允许任何联网设备参与并向全局隐私保护数据共享网络贡献数据，区块链技术甚至使网络能够奖励高质量工作。该网络架构也可构建于现有区块链网络（如Ethereum和Hyperledger）之上，这使得即便是小型初创企业也能构建企业级去中心化解决方案，让任何人都能从公司不同部门的数据中学习，乃至数千台设备参与全局同步学习网络。