基于区块链的联邦学习中具收敛保证的鲁棒 softmax 聚合
密码学与安全
2024-01-01 v2
摘要
基于区块链的联邦学习是一种分布式学习方案，允许模型训练而参与者不共享其本地数据集，其中与传统联邦学习算法相比，区块链组件消除了对可信中心服务器的需求。在本文中，我们提出了一种基于 softmax 聚合的区块链联邦学习框架。首先，我们提出了一种新的基于区块链的联邦学习架构，该架构在现有区块链网络上利用经过充分验证的权益证明共识机制来选择验证者与矿工，以聚合参与者的更新并计算区块。其次，为确保聚合过程的鲁棒性，我们设计了一种基于近似总体损失值的新型 softmax 聚合方法，该方法依赖于我们的特定区块链架构。此外，我们证明了在非限制性假设下的凸设定中，我们的 softmax 聚合技术收敛到全局最小值。我们全面的实验表明，我们的框架在各种设定下以较大优势优于现有的鲁棒聚合算法。
引用
@article{arxiv.2311.07027,
title = {Robust softmax aggregation on blockchain based federated learning with convergence guarantee},
author = {Huiyu Wu and Diego Klabjan},
journal= {arXiv preprint arXiv:2311.07027},
year = {2024}
}