![](https://img-blog.csdnimg.cn/20190918140158853.png?x-oss-process=image/resize,m_fixed,h_224,w_224)
联邦学习 + 区块链
文章平均质量分 75
学习记录
牧心.
心之所向,素履以往
展开
-
【论文笔记】BlockFLA: Accountable Federated Learning via Hybrid Blockchain Architecture
0. 关键词混合区块链、超链、以太坊、机器学习、后门攻击、联邦学习、联邦平均1. 摘要隐藏训练数据使攻击者有机会向训练好的模型注入后门攻击。很多研究试图通过设计健壮的聚合函数来减轻后门攻击的威胁,作者从一个互补的角度来研究这个问题——目标使通过检测和惩罚攻击来阻止后门攻击。为此,作者开发了一个基于区块链的混合FL框架,该框架使用智能合约来自动检测并通过罚款来惩罚攻击者。文章设计的框架是通用的,任何聚合函数和任何攻击者检测算法都可以插入其中。作者进行了实验来证明框架的通信效率,并提供了实验结果来说原创 2020-11-25 22:27:05 · 28673 阅读 · 8 评论 -
区块链与联邦学习的研究
本文分别介绍了区块链与联邦学习的研究现状、架构和运行原理、主要技术及局限性,并针对区块链与联邦学习所存在的问题,通过分析区块链与联邦学习各自的特点,探讨了如何将区块链与联邦学习进行融合互补,介绍了两种融合模型及其应用场景。1区块链概述1.1 区块链的研究现状2008年10月,化名为“中本聪”的学者在密码学论坛上公开了《比特币:一种点对点的电子现金系统》一文[1],提出了利用PoW和时间戳机制构造交易区块的链式结构,剔除了可信第三方,实现了去中心化的匿名支付。比特币于2009年1月上线并发布创世块,.原创 2020-11-16 16:20:38 · 34617 阅读 · 19 评论 -
【论文】联邦学习&区块链 论文集(三)
21. Privacy-Preserving Blockchain Based Federated Learning with Differential Data Sharing (论述科普性文章)关键词:区块链技术、差分隐私、以太坊、加密、联邦学习、激励学习、物联网、可扩展、安全主要贡献:1)介绍数据隐私;2)介绍联邦学习3)介绍区块链、介绍BFL;4)介绍联邦学习在IOT中的应用。arXiv:1912.04859 [cs.CR]22. When Federated Learning原创 2020-11-20 14:34:02 · 31246 阅读 · 1 评论 -
【论文】联邦学习&区块链 论文集(二)
11. Blockchain-based Federated Learning for Failure Detection in Industrial IoT关键词:区块链、联邦学习、机器学习、边缘计算、物联网、失败主要贡献:1)一种平台体系结构,提供系统交互的系统视图,并作为IIoT故障检测中基于区块链的联邦学习系统的设计指南。架构设计涉及以下架构设计决策:模型培训的安排、监控客户数据的存储、客户的激励机制以及区块链的部署。2)一种称为质心距离加权联邦平均(CDW FedAvg)的联邦平均算法,原创 2020-11-20 14:32:57 · 31559 阅读 · 3 评论 -
【论文】联邦学习&区块链 论文集(一)
1. Blockchained On-Device Federated Learning关键词:联邦学习、区块链、延迟分析主要贡献:1)用区块链网络来代替中央服务器;2)提供验证和相应的激励机制3)研究BlockFL端到端学习完成延迟, 通过调整块生成率来使延迟最小化2. Decentralized Privacy Using Blockchain-Enabled Federated Learning in Fog Computing关键词:区块链、联邦学习、雾计算、隐私保护主要贡献:原创 2020-11-20 14:31:26 · 32824 阅读 · 1 评论 -
【笔记】《Federated Learning With Blockchain for Autonomous Vehicles Analysis and Design Challenges》精读笔记
论文信息DOI:10.1109/TCOMM.2020.2990686目录1.摘要2.背景3.本文贡献4.BFL模型详述4.1 模型概述4.2模型问题与解决4.3 两个算法5.BFL块到达过程6.延迟最小化7.结论8.未来潜在研究方向1.摘要作者提出了基于区块链的联邦学习(BFL),用于隐私感知和高效的车辆通信网络。其中自动驾驶车辆车载机器学习(oVML)模型更新以分布式进行交换和验证。(与相邻车辆进行数据交易) 奖励机制...原创 2020-11-09 14:54:02 · 27860 阅读 · 0 评论 -
【笔记】《Federated Learning With Blockchain for Autonomous Vehicles Analysis and Design Challenges》精读笔记
论文信息DOI:10.1109/TCOMM.2020.29906861.摘要作者提出了基于区块链的联邦学习(BFL),用于隐私感知和高效的车辆通信网络。其中自动驾驶车辆车载机器学习(oVML)模型更新以分布式进行交换和验证。(与相邻车辆进行数据交易) 奖励机制。 开发了一个数学框架:以可控网络和BFL参数(如:重传限制、块大小、块生成率、帧大小)为特征,以便捕捉它们对系统级性能的影响。 量化了端到端延迟。2.背景新一代无线网络更可靠,即将满足自动驾驶车辆的实时通...原创 2021-01-15 00:58:29 · 660 阅读 · 4 评论 -
【论文笔记】《FLchain: Federated Learning via MEC-enabled Blockchain Network》精读笔记
Information of the paper:DOI:10.23919/APNOMS.2019.8892848目录1. Abstract2. Preliminaries and Definitions2.1 Channel2.2 Global Model State Trie3. System Model3.The Operation of FLchain3.1FLchain过程3.2 Transaction Pool3.3 Global Mo...原创 2020-10-07 23:06:32 · 33856 阅读 · 2 评论 -
【论文】几篇论文核心思想概述
1.《Blockchain and Federated Learning for Privacy-Preserved Data Sharing in Industrial IoT》在本文中,作者提出了一种基于许可区块链的不同私有的多方数据模型共享方法。我们没有直接共享原始数据,而是结合了联邦学习算法,将原始数据映射到相应的数据模型中,通过由本地用户进行分布式培训,解决了学习阶段的隐私问题。我们还设计了一个基于区块链的分布式数据共享体系结构,使区块链能够保证数据的检索,并保证模型的精确训练。本文中的主要贡原创 2020-10-05 21:24:12 · 33882 阅读 · 1 评论 -
【论文笔记】《Blockchained On-Device Federated Learning》精读笔记
1.INTRODUCTION传统的联邦学习主要有以下局限性:(1)依赖单一的中央服务器,容易受到服务器故障的影响;(2)没有合适的奖励机制来刺激用户提供数据训练和上传模型参数。对此,作者提出了【基于区块链的区块链联邦学习(BlockFL)】:(1)用区块链网络来代替中央服务器,区块链网络允许交换设备的本地模型更新;(2)加入验证和提供相应的奖励机制。加入区块链之后,还要考虑延迟问题,因为越高的延迟会导致越多的forking现象。造成延迟的原因主要有以下几个:comp原创 2020-09-28 22:41:28 · 35473 阅读 · 2 评论 -
【论文】论文搜集+摘要翻译
1.【Blockchained On-Device Federated Learning】通过利用区块链,这封信提出了一种区块链联合学习(BlockFL)架构,在该架构中可以交换和验证本地学习模型更新。通过利用区块链中的共识机制,这使得无需任何集中训练数据或协调即可进行设备上机器学习。此外,我们分析了BlockFL的端到端延迟模型,并通过考虑通信,计算和共识延迟来描述最佳块生成速率。2.【Decentralized Privacy Using Blockchain-Enabled Federa.原创 2020-09-19 16:26:02 · 34927 阅读 · 2 评论 -
【联邦学习+区块链】联邦学习与区块链
前言:联邦学习(Federated Learning)是在保障大数据交换时的信息安全、保护终端数据和个人数据隐私、保证合法合规的前提下,在多参与方或多计算节点之间开展高效率的机器学习的一种新兴人工智能基础技术,与分布式机器学习不同的是联邦学习需要一种去中心化分布系统来保证用户的隐私安全,在保障数据安全和交换、训练效率前提下进行有效的机器学习。区块链作为一个去中心化、数据加密、不可篡改的分布式共享数据库,可以为联邦学习的数据交换提供数据保密性来对用户隐私进行保障,保证各参与方之间的数据安全,也可以保证多参与方转载 2020-09-17 17:03:14 · 43066 阅读 · 2 评论 -
【联邦学习+区块链】《联邦学习vs区块链:谁是“可信媒介”技术领域最强王者?》疑问解答
联邦学习【1】VS 区块链【问1】联邦学习,何为“联邦”?作为一种分布式机器学习技术,联邦学习可以实现各个企业的自有数据不出本地,而是通过加密机制下的参数交换方式共建模型,即在不违反数据隐私法规的情况下,建立一个虚拟的共有模型。由于数据本身不移动,因此也不会涉及隐私泄露和数据合规问题。这样,建好的模型将在各自的区域仅为本地的目标服务。在这样一个联邦机制下,参与各方可以在不披露底层数据和底层数据的加密(混淆)形态下共建模型,各个参与者的身份和地位相同,这就是为什么这个体系叫做联邦学习。举例来说,原创 2020-09-16 22:39:00 · 34420 阅读 · 1 评论 -
【联邦学习 + 区块链】《联邦学习vs区块链:谁是“可信媒介”技术领域最强王者?》阅读记录与提问
题目:《联邦【1】学习vs区块链:谁是“可信媒介”技术领域最强王者?》【问1】联邦学习,何为“联邦”?在互联网新浪潮中,联邦学习和区块链是最受关注的两项热门技术。联邦学习【注】是一种在大数据服务中保护隐私的分布式机器学习技术,区块链是一种在去中心化网络中实现价值转移的分布式账本技术。那么问题来了,谁是可信媒介技术领域最强王者?【注】另有文章说“联邦学习的作用主要是用来解决数据孤岛”。继续延伸:什么是“数据孤岛”?【文章出处】什么是联邦学习(https://zhuanlan.zhih转载 2020-09-11 22:12:47 · 33588 阅读 · 1 评论