TrustChain：面向去中心化联邦学习中聚合器的审计与验证的区块链框架
机器学习
2025-12-08 v2 人工智能
密码学与安全
摘要
去中心化联邦学习（DFL）的无服务器特性要求在每次联邦训练中分配特定参与者作为聚合角色。当前的DFL架构在聚合节点被选定后确保其可信度，但这些研究大多忽略了聚合节点在被提名后可能变作恶意行为者的可能性。为此，本文提出一种称为TrustChain的DFL结构，该结构在选定前根据其过往行为对聚合器进行评分，并在聚合后对其进行审计。为此，我们持续监控客户端更新与聚合模型之间的统计独立性，使用希尔伯特-施密特独立性准则（Hilbert-Schmidt Independence Criterion, HSIC）。该方法依赖于区块链、异常检测和概念漂移分析等原则。我们在多个联邦数据集上评估了所设计的结构，并针对不同数量的拜占庭节点进行了攻击情景测试。
关键词
引用
@article{arxiv.2502.16406,
title = {TrustChain: A Blockchain Framework for Auditing and Verifying Aggregators in Decentralized Federated Learning},
author = {Ehsan Hallaji and Roozbeh Razavi-Far and Mehrdad Saif},
journal= {arXiv preprint arXiv:2502.16406},
year = {2025}
}
备注
Accepted for publication in IEEE Transactions on Big Data