基于区块链的联邦学习系统中的隐私保护

联邦学习（FL）最近已成为协作训练机器学习模型的一种革命性方法。根据这一新颖框架，多个参与者协作训练一个全局模型，与中央聚合器协调，而不共享他们的本地数据。随着FL在各个领域的普及，由于该解决方案的分布式特性，安全和隐私问题随之出现。因此，将这一策略与区块链技术相结合已成为确保参与者隐私和安全的首选方案。本文探讨了科学界在采用区块链赋能的FL场景中定义隐私解决方案的研究工作。它全面总结了与FL和区块链相关的背景，评估了用于集成它们的现有架构，以及在此环境中保证隐私的主要攻击和可能的对策。最后，它回顾了区块链赋能的FL方法已被成功应用的主要应用场景。本综述可以帮助学术界和工业界从业者了解存在哪些理论和技术可以通过区块链提高FL的性能以保护隐私，以及在这个新颖且仍未被充分探索的背景下，主要的挑战和未来方向是什么。我们相信，这项工作相对于之前的综述提供了新颖的贡献，是探索当前格局、理解观点、并为区块链与联邦学习融合的进步或改进铺平道路的有价值工具。