![](https://i-blog.csdnimg.cn/blog_migrate/7bae2081647624fb643ba8ea2b433f7b.png)
![](https://i-blog.csdnimg.cn/blog_migrate/5a7d7548d1c3a9621ca5d95ca9446ab3.png)
Introduction
区块链可以用于取代联邦学习中的中心聚合服务器
目前的区块链联邦学习中的区块链和参与联邦学习的用户独立,相当于服务器换成了一条区块链,也会有隐私泄漏的风险
目前的区块链联邦学习的工作缺乏对收敛性能和资源分配的考虑
本文做的工作是把挖矿任务也交给训练模型的用户,即用户即要训练模型又要进行挖矿.同时本文计算了改方法的收敛上界,并用实验结果证明上界分析的正确性.最优化了挖矿和训练两种行为的计算资源分配.同时考虑了lazy clients的情况,考虑了lazy client的存在对性能的影响
PRELIMINARIES
联邦学习:参与方共享本地数据训练的本地模型,保护隐私
区块链:去中心化的账本.每个区块包含交易记录,新的区块由计算出随机数nonce的矿工的账本生成
PROPOSED FRAMEWORK
BLADE-FL
![](https://i-blog.csdnimg.cn/blog_migrate/a38f1a41f18607fdec7e72bb0e49ccb7.png)
![](https://i-blog.csdnimg.cn/blog_migrate/082efe13898a9450fae19a16f6810498.png)
![](https://i-blog.csdnimg.cn/blog_migrate/f6dc40a7965fa47766842dd890518627.png)
Computing Resource Allocation Model
![](https://i-blog.csdnimg.cn/blog_migrate/dabb7316dd1daabc67f12f2e665e149f.png)
![](https://i-blog.csdnimg.cn/blog_migrate/15f64a6f08be9843f2c27f935ae29e0f.png)
![](https://i-blog.csdnimg.cn/blog_migrate/0980c554c9c178e9280a89d34746290a.png)
假设要在t_sum 时间内完成训练
PERFORMANCE ANALYSIS OF THE BLADE-FL SYSTEM
Achievable Upper Bound Analysis
![](https://i-blog.csdnimg.cn/blog_migrate/1ec50f26601e733e434801fbd64b5ffc.png)
![](https://i-blog.csdnimg.cn/blog_migrate/0c89fe2892c337316563749b387c2524.png)
和最优loss的差距上界,得出上界和K(联邦学习总轮次)有关
![](https://i-blog.csdnimg.cn/blog_migrate/00f3f1f8a5f3131dcb2ccf305b4bcbee.png)
得出最小化上界的K值
EXPERIMENTAL RESULTS
Experimental Setting
dataset
MNIST,Fashion-MNIST,Cifar-10,SVHN 都是图像分类问题
Learning models.
![](https://i-blog.csdnimg.cn/blog_migrate/bb98d61744a51e7c098e0e4a5aaaf0c7.png)
![](https://i-blog.csdnimg.cn/blog_migrate/0d61c8eeb0e4e03b3ce5e5d95c2a0784.png)
result
![](https://i-blog.csdnimg.cn/blog_migrate/6e5cc68348256b9ab3d1eb250a48dd83.png)
实际实验也在相同的最优K的下达到最小loss
loss和K的关系图是凸关系
![](https://i-blog.csdnimg.cn/blog_migrate/6b356475f7ae8c9bf261369d1db6bd96.png)
ming overhead 一般
训练效果最好
Conclusion
提出了BLADE-FL 框架, 让用户进行模型训练和挖矿工作, 避免了单点故障和隐私泄漏
分析了框架的损失函数的上界,验证了上界和联邦学习轮次K是凸关系,利用K达到上界最优化
实验验证了上界分析的正确性
未来工作
设计激励机制
识别lazy client
损失函数缺少凸性时的性能需要进一步分析