A Blockchain-based Decentralized Federated Learning Framework wth Committee Consensus

最新推荐文章于 2024-04-23 15:09:34 发布
最新推荐文章于 2024-04-23 15:09:34 发布
阅读量9k 收藏 4
点赞数
文章标签： 区块链
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/weixin_42827001/article/details/119897933
版权
本文提出了一种基于区块链的分散联邦学习框架，利用委员会共识提高效率，实现K折交叉验证，抵抗恶意节点。在每一轮训练中，服务器广播模型，节点执行本地训练并验证更新，由诚实节点组成的委员会负责验证和打包更新到区块链上，确保模型的安全和有效性。通过智能合约选举新委员会，并基于验证分数评估节点性能，实现动态验证集和奖励机制。
摘要由CSDN通过智能技术生成

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

  1. High efficiency: only a few nodes will validate the updates, rather than broadcasting to every node and reach an agreement.
  2. K-fold：cross-validation: the committee members will not participate in the local training in the round. Therefore, the local data of the committee are taken as a validation set. As the alternating of committee members at each round, the validation set changes as well.In this setting, k-fold cross-validation on FL achieved.
  3. Anti-malevolence: based on the validation scores, the corresponding nodes with better performance will be elected by the smart contract and constitute the new committee for the next training round. which means the selected local data distribution
最低0.47元/天 解锁文章
weixin_42827001
关注
【论文】【BFLC】 A Blockchain-based Decentralized Federated Learning Framework with Committee Consensus
sun_5flower的博客
12-14 1万+
中山大学研究团队2020提出基于区块链委员会机制的联邦学习系统（BFLC）。 相比BFL的优点： 1、减少共识计算量 2、减少恶意攻击 讨论了BFLC的扩展性（理论安全、存储优化、激励机制） 【1】FL（C/S）存在的问题 中央服务器功能：执行更新聚合并广播（要求网络高带宽）、客户端节点选择、全局模型的维护 存在的问题：服务器稳定性受服务器提供商影响、偏向某些客户端导致模型倾斜、服务器恶意投毒或从模型更新中收集用户隐私数据； 解决方案: 去掉中央服务器，使用分布式节点代替—>区块链(分布式数据库)
《GFL: A Decentralized Federated Learning Framework Based On Blockchain》读书笔记
m0_54487794的博客
08-06 652
《GFL: A Decentralized Federated Learning Framework Based On Blockchain》读书笔记
A Blockchain-Based Decentralized Federated Learning Framework with Committee Consensus
weixin_40942832的博客
10-17 1万+
本文简易框架demo源码 背景 问题定义 在联邦学习场景中，客户端通过交换模型梯度或更新后的模型参数，不暴露私人数据，从而合作训练一个共享的全局模型。但是容易存在恶意攻击的行为，分别是恶意客户端和中央服务器对模型或数据的攻击，导致存在安全性问题。 中央服务器的稳定性、公平性和安全性对FL至关重要。简单结合区块链，利用智能合约执行聚合、存储、共享全局模型可以避免中央服务器带来的挑战，但是给维护区块链的客户端节点造成巨大的计算量和网络传输压力，从而区块链的共识效率低下，可扩展性较差。 主要贡献 提出一
A Blockchain-Based Decentralized Federated Learning Framework with CommitteeConsensus
a15097745800的博客
04-23 2058
为了解决恶意客户端或中心服务器不断攻击全局模型或用户隐私数据，提出了一种基于区块链的去中心化联邦学习框架，即基于区块链的具有委员会共识的联邦学习框架（BFLC）。在没有中心化服务器的情况下，该框架使用区块链进行全局模型存储和本地模型更新交换。为了实现所提出的BFLC，设计了一种创新的委员会共识机制，可以有效减少共识计算量并减少恶意攻击。
【联邦学习+区块链】A Blockchain-based Decentralized Federated Learning Framework with Committee Consensus
WuwuwuH_的博客
07-19 1840
联邦学习结合区块链，提出了一种基于区块链的去中心化、自治的 FL 架构来应对现阶段所面临的各种挑战。
A Blockchain-based Decentralized Federated.pdf
01-07
为了解决这些问题，本文提出了一种基于区块链的去中心化联邦学习框架——区块链驱动的联邦学习框架与委员会共识（Blockchain-based Federated Learning with Committee consensus，简称BFLC）。该框架利用区块链技术...
A Blockchain-based Reputation System for Data Credibility Assessment in Vehicular Networks
02-08
本文提出了一种基于区块链技术的数据可信度评估的信誉系统，用于车辆网络中。车辆网络，通常被称作车载网络，是一种应用于汽车中的无线通信网络。随着汽车行业和物联网(IoT)的快速发展，车辆网络的安全性逐渐受到...
基于去中心化联邦学习的货运速度预测时空模型-A decentralized federated learning-based s
最新发布
04-23
本研究提出了一种新颖的基于去中心化联邦学习的时空模型（Decentralized Federated Learning-based Spatial-Temporal Model, DFL-ST），该模型能够通过多个参与者之间的协作训练来进行货运速度预测，而无需依赖于...
Blockchain Assisted Decentralized Federated Learning 阅读笔记 TPDS’2022
weixin_42649288的博客
02-12 486
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,并用实验结果接近上界.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。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。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。实际实验也在相同的最优K的下达到最小loss。目前的区块链联邦学习的工作缺乏对。
Privacy-Preserving Blockchain-Based Federated Learning for IoT Devices读书笔记
m0_54487794的博客
04-02 1147
Privacy-Preserving Blockchain-Based Federated Learning for IoT Devices读书笔记
Blockchain-Based Trusted Federated Learning with Pre-Trained Models for COVID-19 Detection（2023）
weixin_43856668的博客
10-11 153
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。
BlocHIE: a BLOCkchain-based platform for Healthcare Information Exchange论文 翻译 一点点理解
gjq5464的博客
03-13 2733
Abstract—Nowadays, a great number of healthcare data are generated every day from both medical institutions and individuals. Healthcare information exchange (HIE) has been proved to benefit the medica...
【论文】联邦学习&区块链 论文集（三）
一定要站在自己热爱的生活里闪闪发光
11-20 3万+
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
【论文】联邦学习&区块链 论文集（一）
一定要站在自己热爱的生活里闪闪发光
11-20 3万+
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：
【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.
聚合方法、模型验证、节点选择
k___l的博客
09-28 732
总结：与经典的FL框架相比，NC层等价于中间层的作用，因此，NC层中的平均模型也会受到恶意攻击者的中毒攻击。同时，由于车辆收集的数据质量各不相同，高质量的数据共享意味着用户可以获得更可靠的服务，而低质量的数据则会降低服务的可靠性、驾驶体验或造成交通事故。（2）矿工选举和添加区块：考虑到车辆的计算能力有限，以及移动性的交互时间较短，如果哈希问题的难度设置的过高，会导致较长的块生成时间和计算功耗。提出了一种区块链辅助的物联网网络中的FL聚合方法，其中聚合节点的选择用于提高效率，区块链用于性能检验。
联邦学习聚合算法
qq_46034128的博客
12-02 1560
k =1表示数据大小指标，k = 2表示设备Di的历史分数，k = 3表示全局模型更新期间的错误数量，k = 4表示局部模型更新与全局模型更新之间的相关性。簇中的客户端将其本地更新同步转发到簇头进行聚合，而所有簇头采用异步方法进行全局聚合。缩放因子被设计为平衡全局模型和局部模型之间的权重。缩放因子被设计为平衡全局模型和局部模型之间的权重。新鲜权重因子在聚合中应给予最近更新的模型更大的权重。层内同步更新局部模型参数，跨层异步更新全局模型。在聚合中应给予最近更新的模型更大的权重。
Multi-objective Evolutionary Federated Learning
03-30
Multi-objective evolutionary federated learning (MEFL) is a machine learning approach that combines the principles of multi-objective optimization and federated learning. Multi-objective optimization is a technique that aims to optimize multiple objectives simultaneously, while federated learning is a decentralized machine learning approach that allows multiple devices to train a model collaboratively without sharing their data. MEFL is designed to overcome the limitations of traditional federated learning approaches, which often suffer from issues related to privacy, communication, and scalability. By using multi-objective optimization, MEFL can optimize the performance of the federated learning algorithm while also addressing these issues. MEFL works by dividing the optimization problem into multiple objectives, such as minimizing the loss function, reducing communication costs, and preserving privacy. A genetic algorithm is then used to optimize these objectives simultaneously, producing a set of Pareto-optimal solutions that represent the trade-offs between the different objectives. These Pareto-optimal solutions can then be used to select the best model for deployment, depending on the specific requirements of the application. MEFL has been shown to be effective in a wide range of applications, including image classification, natural language processing, and speech recognition. Overall, MEFL represents a promising approach to federated learning that can improve the privacy, communication, and scalability of the algorithm while also optimizing its performance.
评论
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
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