无信任的个性化去中心化学习
机器学习
2025-12-30 v2 人工智能
分布式、并行与集群计算
摘要
在联邦设置中进行个性化协作学习面临一个关键权衡：在定制化与参与者信任之间。现有方法通常依赖集中协调器或受信任的对等组，这限制了其在开放且信任怀疑环境中的适用性。虽然最近的去中心化方法探索了匿名知识共享，但它们往往缺乏全局规模和对恶意对等方的鲁棒机制。为弥合这一差距，我们提出了 TPFed，即一个「无信任的个性化去中心化联邦学习」框架。TPFed 用区块链-based 公告板取代中心聚合器，使参与者能够基于局部敏感哈希 (LSH) 和对等排名动态选择全球通信合作伙伴。关键的是，我们引入了一个「一体化」知识蒸馏协议，同时通过公共参考数据集处理知识传递、模型质量评估和相似性验证。该设计确保在不暴露本地模型或数据的情况下实现安全、全球个性化协作。大量实验表明，TPFed 在学习准确率和对抗攻击的系统鲁棒性方面显著优于传统联邦基线。
引用
@article{arxiv.2410.11378,
title = {Trust-free Personalized Decentralized Learning},
author = {Yawen Li and Yan Li and Junping Du and Yingxia Shao and Meiyu Liang and Guanhua Ye},
journal= {arXiv preprint arXiv:2410.11378},
year = {2025}
}