Blockchain-driven Federated Learningfor Alzheimer’s MRI Image Classification

Decentralization of Learning and Trust in the Healthcare: Blockchain-driven Federated Learning
for Alzheimer’s MRI Image Classification

医疗保健领域学习和信任的去中心化：区块链驱动的阿尔茨海默病 MRI 图像分类联合学习

期刊：2024 IEEE International Conference on Pervasive Computing and Communications Workshops and other Affiliated Events (PerCom Workshops)

作者： Filippo Imboccioli; Gabriele Cialone; Stefano Ferretti

时间：2024.4.23

---

---

智能合约定义了 FL 的四种状态：OPEN、START、LEARNING 和 CLOSE，对应于图中描述的状态阶段。

OPEN和START阶段：

• ①Manager 打开一个 FL 智能合约来处理 FL 交互，并添加多个Collaborators（本文中只的是三个医院）
• ②Collaborators订阅 FL 智能合约。
• ③Manager发布要使用的模型以及相关信息并将其编译到 FL 智能合约中。
• ④Collaborators从 FL 智能合约中检索模型并采用它。

LEARNING阶段：

• ⑤每个Collaborator都使用自己的数据集进行训练。
• ⑥Collaborator定期在 IPFS 上发布自己更新的本地参数，并将这些参数的哈希值（以及检索它们的信息）发送到 FL 智能合约。 参数按顺序使用Collaborator的私钥和Manager的公钥进行加密。
• ⑦Manager依次使用其自己的私钥和Collaborator的公钥检索并解密所有这些参数。 这种方法确保只有Manager才能读取数据（保密性），并保证数据是由特定Collaborator生成的（可验证性）。 然后，Manager通过验证参数的摘要是否等于智能合约中存储的哈希值来进一步检查参数的有效性。
• ⑧Manager 根据旨在计算要使用的最佳参数的聚合函数来更新 ML 模型参数。
• ⑨Manager在 IPFS 上传更新的 ML 模型参数（使用与上述相同的方法进行加密）。 此外，Manager将参数摘要发送到智能合约。
• ⑩Collaborator从 IPFS 检索更新的模型参数，解密它们并通过 FL 智能合约检查其有效性。 然后，Collaborator在训练过程的下一次迭代中采用这些模型参数。

使用的聚合算法：平均聚合、基于单层相似性的聚合、基于整个模型相似性的聚合