Split-n-Chain：基于区块链可审计的隐私保护多节点分割学习
密码学与安全
2025-04-16 v2 机器学习
摘要
深度学习在与大量训练数据结合时，有望在准确率方面超越传统机器学习。近期，隐私保护深度学习引起了研究界的极大关注。深度学习中的不同隐私概念包括数据所有者提供的数据的隐私，以及底层神经网络的参数和/或超参数的隐私。联邦学习是一种流行的隐私保护执行环境，数据所有者在不向其他参与者泄露各自数据的情况下共同参与参数学习。然而，联邦学习存在某些安全/隐私问题。在本文中，我们提出了 Split-n-Chain，一种分割学习的变体，其中网络的各层被分割到多个分布式节点上。Split-n-Chain 实现了多项隐私特性：数据所有者无需与其他节点共享其训练数据，且任何节点都无法访问神经网络的参数和超参数（其持有的相应层除外）。此外，Split-n-Chain 使用区块链来审计不同节点完成的计算。我们的实验结果表明：Split-n-Chain 在执行不同阶段所需的时间方面是高效的，且其训练损失趋势与以单体方式实现相同神经网络时的趋势相似。
引用
@article{arxiv.2503.07570,
title = {Split-n-Chain: Privacy-Preserving Multi-Node Split Learning with Blockchain-Based Auditability},
author = {Mukesh Sahani and Binanda Sengupta},
journal= {arXiv preprint arXiv:2503.07570},
year = {2025}
}