基于区块链的安全联邦学习的透明贡献评估
机器学习
2021-06-10 v2 密码学与安全
摘要
联邦学习是一种有前景的机器学习范式,多方协作构建高质量机器学习模型。然而,这些方仅在有足够激励(例如基于其贡献的公平奖励)时才愿意参与。许多研究探索了基于 Shapley 值的方法来评估各方对所学模型的贡献。但它们通常假设一个半可信服务器来训练模型并评估数据拥有者的模型贡献,缺乏透明性,可能阻碍联邦学习在实践中的成功。本工作中,我们提出了一种基于区块链的联邦学习框架及协议,以透明地评估每个参与者的贡献。我们的框架在模型构建阶段保护所有方的隐私,并基于模型更新透明地评估贡献。使用手写数字数据集的实验表明,所提方法能有效评估贡献。
引用
@article{arxiv.2101.10572,
title = {Transparent Contribution Evaluation for Secure Federated Learning on Blockchain},
author = {Shuaicheng Ma and Yang Cao and Li Xiong},
journal= {arXiv preprint arXiv:2101.10572},
year = {2021}
}