Privacy-Preserving Blockchain-Based Federated Learning for IoT Devices读书笔记

最新推荐文章于 2023-10-11 16:20:34 发布
最新推荐文章于 2023-10-11 16:20:34 发布
阅读量1.1k 收藏 9
点赞数
文章标签： 区块链 机器学习 深度学习 神经网络
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/m0_54487794/article/details/115409569
版权
本文探讨了利用区块链技术实现隐私保护的物联网(IoT)设备上的联邦学习。通过结合区块链的去中心化特性与机器学习的分布式训练，能够在不暴露个人数据的情况下进行模型构建。内容涉及区块链的基本原理、联邦学习的概念以及两者的融合应用，重点讨论了如何在IoT环境中确保数据安全和用户隐私。
摘要由CSDN通过智能技术生成

Privacy-Preserving Blockchain-Based Federated Learning for IoT Devices读书笔记


在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

在这里插入图片描述
在这里插入图片描述

在这里插入图片描述
在这里插入图片描述

最低0.47元/天 解锁文章
权侑莉老婆
关注
  • 0
    点赞
  • 踩
  • 9
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 3
    评论
A Blockchain-based Decentralized Federated Learning Framework wth Committee Consensus
l_zzy的博客
08-24 8984
A Blockchain-based Decentralized Federated Learning Framework with Committee Consensus 基于区块链的具有委员会共识的分散联邦学习框架 模型优点 High efficiency: only a few nodes will validate the updates, rather than broadcasting to every node and reach an agreement. K-fold：cross-va
Blockchain and Federated Learning for Privacy-Preserved Data Sharing in Industrial IoT
qq_40850994的博客
04-01 1573
将数据共享问题转换成机器学习问题
Blockchain-enabled Federated Learning_ A Survey的文献学习
a15097745800的博客
09-18 176
Federated Learning(FL)联邦学习，也可以叫联合学习、联盟学习，它是一个机器学习的框架，可以帮助多个组织更高效地处理数据和训练模型。这一概念最在2016年由Google提出的，当时是用于解决Android手机终端用户局部更新模型的问题。是为了确保大数据交换期间的信息安全；保护终端数据和个人数据隐私。并在合法合规的前提下，在多个计算节点之间开发更高效的机器学习。这种也叫水平的联邦学习。对于不同的数据集还有垂直联邦学习和联邦迁移学习。
Blockchain-Based Trusted Federated Learning with Pre-Trained Models for COVID-19 Detection（2023）
最新发布
weixin_43856668的博客
10-11 138
A：针对 COVID-19 的联邦学习。B：使用预先训练的模型进行训练。C：隐私保护机制。D：拜占庭弹性聚合。E：许可的区块链。F：拜占庭容错共识。
2020-CCCF-张彦、卢云龙、黄小红-区块链与联邦学习：融合与互补.pdf
04-21
转自CCF，网址：https://dl.ccf.org.cn/institude/institudeDetail?id=4810506903701504 摘要：区块链在不可信的多方间，建立了一种安全可靠的机制。而联邦学习作为近年来出现的新兴机器学习技术，实现了保护隐私的人工智能。本文将围绕如何将区块链与联邦学习进行融合展开研究，并进一步探讨与之相关的应用。
【论文】联邦学习&区块链 论文集（二）
一定要站在自己热爱的生活里闪闪发光
11-20 3万+
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，
Privacy-Preserving Compressive Sensing for Crowdsensing based Trajectory Recovery
02-06
本文提出了一种名为隐私保护压缩感知（Privacy Preserving Compressive Sensing，简称PPCS）的新方法，旨在解决基于群体感应的轨迹恢复过程中出现的隐私泄露问题。随着位置服务（Location Based Services, LBSs）的...
Privacy-Preserving-Federated-Learning-I:我的“最后一年”项目的源代码-隐私保护联合学习（I）
03-28
隐私保护联合学习I 我的“最后一年”项目的源代码-隐私保护联合学习（I） 数据预处理 在以下位置下载原始数据： : 运行Data_Preprocessing.py以生成该项目所需的所有数据文件 集中学习 在Centralized_Training.py中：（1）运行train_model（epochs）以运行模型（2）运行threshold_calculation（Path）以获取阈值（3）运行valuate_model（）以获取TP，FP，TN，FN，准确性，精度和召回模型 个人学习 在Individual_Training_Client1.py，Individual_Training_Client2.py，Individual_Training_Client3.py中：（1）运行train_model（epochs）以运行模型（2）运行threshold_calculation（P
A blockchain-based location privacy-preserving crowdsensing system
02-07
A blockchain-based location privacy-preserving crowdsensing system
最新论文笔记(+11)：Privacy-Preserving Searchable Encryption Framework for Permissioned Blockchain Networks
cryptocxf的博客
07-08 2283
Privacy-Preserving Searchable Encryption Framework for Permissioned Blockchain Networks(用于许可区块链网络的隐私保护可搜索加密框架) 在本篇论文中，作者提出了一种新的基于许可区块链的可搜索加密框架，该框架建立在不可变的分布式账本上，即Hyperledger Fabric结构。（许可区块链：类似联盟链、私有链，需要许可的区块链，非许可区块链：类似公有链，人人都可访问）。Hyperledger Fabric提供了许可的成员资
2.Paper小结——《Privacy-preserving blockchain-based federated learning for traffic flow prediction》
m0_57126939的博客
09-28 1万+
题目： 基于区块链的基于隐私保护的交通流量预测的联邦学习 0.Abstract： 交通流量预测已成为智能交通系统的重要组成部分。然而，现有的基于集中式机器学习的交通流量预测方法需要收集原始数据以进行模型训练，这涉及到严重的隐私暴露风险。为了解决这些问题，共享模型更新而不交换原始数据的联邦学习最近被引入，作为实现隐私保护的有效解决方案。然而，现有的联邦学习框架是基于一个集中的模型协调器，它仍然面临着严重的安全挑战，例如单点故障。因此，提出了一个基于区块链的联盟联邦学习框架...
【论文学习】关于联邦学习激励机制的三篇论文
小楼一夜听春雨
03-14 585
激励机制无非就是选择，评判和支付可以考虑跟dp结合，因为里面可以计算隐私损失，从而进行补偿！
【论文】论文搜集+摘要翻译
热门推荐
一定要站在自己热爱的生活里闪闪发光
09-19 3万+
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.
隐私保护-联邦学习&同态
juli_eyre的博客
12-28 1518
联邦学习 隐私保护
简要介绍SIGMOD2021接收的区块链相关论文
yijiull
05-19 7328
SIGMOD 2021 将于6月20日到6月25日在西安召开，作为数据库领域毋庸置疑的顶会，今年收录了7篇区块链相关的论文，其中1篇 demo paper，6篇 research paper。这篇博客简单介绍了其中的三篇。 Why do my blockchain transactions fail? A study of Hyperledger Fabric 这篇论文对 Fabric 中由于 OCC 导致的 transaction failure 进行了研究，定义了三种不同的 failure 类型，并提出
Privacy-Preserving Machine Learning Using Federated Learning and Secure Aggregation
05-04
Privacy-preserving machine learning is becoming increasingly important in today's world where data privacy is a major concern. Federated learning and secure aggregation are two techniques that can be used to achieve privacy-preserving machine learning. Federated learning is a technique where the machine learning model is trained on data that is distributed across multiple devices or servers. In this technique, the model is sent to the devices or servers, and the devices or servers perform the training locally on their own data. The trained model updates are then sent back to a central server, where they are aggregated to create a new version of the model. The key advantage of federated learning is that the data remains on the devices or servers, which helps to protect the privacy of the data. Secure aggregation is a technique that can be used to protect the privacy of the model updates that are sent to the central server. In this technique, the updates are encrypted before they are sent to the central server. The central server then performs the aggregation operation on the encrypted updates, and the result is sent back to the devices or servers. The devices or servers can then decrypt the result to obtain the updated model. By combining federated learning and secure aggregation, it is possible to achieve privacy-preserving machine learning. This approach allows for the training of machine learning models on sensitive data while protecting the privacy of the data and the model updates.
评论 3
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

权侑莉老婆

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值