SPDL：区块链保护且隐私保留的去中心化学习

去中心化学习涉及在远程移动设备、边缘服务器或云服务器上训练机器学习模型，同时保持数据本地化。尽管许多研究已展示保留隐私、提升训练性能或引入拜占庭容错的可行性，但无一同时考虑所有这些方面。因此我们面临如下问题：\textit{我们如何能在同时维护学习安全性与数据隐私的情况下高效协调去中心化学习过程？} 为解决这个问题，本文我们提出 SPDL，一种区块链保护且隐私保留的去中心化学习方案。SPDL 将区块链、拜占庭容错（BFT）共识、BFT 梯度聚合规则（GAR）和差分隐私无缝集成到一个系统中，在保持数据隐私、拜占庭容错、透明性和可追溯性的同时实现高效机器学习。为验证我们的方案，我们提供了在存在拜占庭节点情况下关于收敛与regret的严格分析。我们还构建了 SPDL 原型并开展广泛实验，证明 SPDL 有效且高效，具备强安全与隐私保证。