联邦学习子链证明：基于联邦学习的自由伙伴选择子链
机器学习
2023-08-01 v1 人工智能
密码学与安全
摘要
区块链社会的持续发展推动了对支持加密货币的新型方案设计的研究。此前已提出多种深度学习证明（PoDL）共识，以深度学习模型训练任务等有用工作替代哈希运算。在维护账本的同时，能源将得到更高效利用。然而深度学习模型具有特定问题依赖性且可能极为复杂。当前PoDL共识在现实世界中实现仍需大量工作。本文提出一种名为联邦学习子链证明（PoFLSC）的新型共识以填补空白。我们应用子链记录训练、挑战与审计活动，并强调有价值数据集在伙伴选择中的重要性。我们模拟子链中20个矿工以证明PoFLSC的有效性。当我们依据保留优先级顺序缩减池规模时，不同场景下性能表现的丢弃率差异进一步表明，在子链池规模受限时，具有更高Shapley值（SV）的矿工将获得更好的被选机会。在所进行的实验中，PoFLSC共识支持子链管理者感知保留优先级与贡献者核心划分，从而建立并维护具竞争力的子链。
引用
@article{arxiv.2307.16342,
title = {Proof-of-Federated-Learning-Subchain: Free Partner Selection Subchain Based on Federated Learning},
author = {Boyang Li and Bingyu Shen and Qing Lu and Taeho Jung and Yiyu Shi},
journal= {arXiv preprint arXiv:2307.16342},
year = {2023}
}
备注
7 pages, 7 figures