区块链&联邦学习
2020-CCCF-张彦、卢云龙、黄小红-区块链与联邦学习:融合与互补
联邦学习
传统的机器学习将数据集中到服务端,依赖于一个中心化的数据集通过运行机器学习算法训练相应的模型。当前,随着用户对隐私保护的重视,此类算法面临着巨大的隐私挑战。
联邦学习通过将训练任务下放到用户侧,仅将训练得到的模型参数结果发给服务端,从而使数据保持在本地,保证了用户数据的隐私。
联邦学习过程
-
联邦学习中存在用户与服务端两个角色。
-
在初始阶段,服务器会依据计算任务,下发将要学习的模型。
-
在每个参与用户端,用户基于其本地学习模型。通常采用基于数据来训练指定的机器学二梯度的算法训练本地模型参数。
-
在服务端,服务器会收集用户训练的模型参数,并将这些参数做聚合,对整体模型的参数进行更新。
区块链&联邦学习结合
架构
该架构主要分为用户层和边缘服务层。
用户主要由物联网设备、移动终端等构成