基于区块链的公平性联邦学习模型

摘要：

为解决典型联邦学习框架在训练样本数据分布不均衡情况下产生的聚合模型对各个客户端模型不公平的问题,结合区块链的去中心化、不可篡改性以及智能合约的特点,提出基于本地数据特征的公平性联邦学习模型,以实现数据分布差异的客户模型可信安全共享.多个客户端通过区块链上传本地参数以及信用值,利用区块链的共识机制选择信用值最高的区块进行模型聚合,在模型聚合过程中按照节点信用依次进行融合,并根据区块链记录工作节点的本地模型参数作为证据,完成整体模型参数的聚合任务,在此基础上通过广播下传当前聚合模型参数,模型利用区块链的共识机制可降低参数在传输过程中所面临的安全风险.在开源数据集上的实验结果表明,该模型相较FedAvg模型训练精度提高40％,不仅能够优化非独立同分布下的模型训练精度,同时可以防止中间参数传输信息泄露,保证了多个客户端的利益与安全隐私,从而实现具有隐私保护的公平性模型.

关键词：联邦学习、区块链、非独立同分布、公平性、隐私保护

所属期刊栏目：48

分类号：TP391(计算技术、计算机技术)

资助基金：科技创新新一代人工智能重大项目2030;2021ZD0113002

在线出版日期：2022-06-21（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：33-41