典型文献
一种改进的BMUF训练框架及联邦学习系统实现
文献摘要：
[目的]在隐私保护日益严峻的环境下,联邦学习常被用于解决"数据孤岛"与"数据隐私"等问题,但传统的联邦学习架构受限于中心化特点,带来了额外的隐私风险与成本,基于区块链的去中心化联邦学习架构因其明显的应用优势得到了更多关注与研究.[方法]本文改进BMUF训练框架,使其在联邦学习中数据量分布不平衡(Unbalanced)、数据非独立同分布(Non-IID)场景下有较好效果;在客户端本地训练中加入差分隐私机制保护本地隐私;提出一种基于全局更新梯度的拜占庭检测鲁棒聚合算法,使聚合者可以检测出系统中存在的拜占庭客户端并完成鲁棒聚合.[结果]针对上述三点进行多组实验,实验结果表明改进的BMUF训练框架在Unbalanced与Non-IID场景下较FedAvg算法聚合效果更好;在客户端本地训练中加入差分隐私机制时,模型仍可收敛并获得较高准确率;在拜占庭攻击环境下,聚合者可以有效剔除拜占庭客户端并完成鲁棒聚合.[结论]本文改进BMUF训练框架,并实现了一个基于区块链的联邦学习系统,可以在去中心化架构下针对不同数据分布场景,有效保护客户端隐私,抵御拜占庭攻击,实现模型的高效训练.
文献关键词：
区块链;联邦学习;BMUF框架;差分隐私;拜占庭攻击
中图分类号：
作者姓名：
赵鑫博;代闯闯;陆忠华
作者机构：
中国科学院计算机网络信息中心,北京 100083;中国科学院大学,北京 100049
文献出处：
引用格式：
[1]赵鑫博;代闯闯;陆忠华-.一种改进的BMUF训练框架及联邦学习系统实现)[J].数据与计算发展前沿,2022(06):105-117
A类：
BMUF,拜占庭攻击
B类：
联邦学习,学习系统,系统实现,隐私保护,数据孤岛,数据隐私,学习架构,受限于,隐私风险,应用优势,数据量,分布不平衡,Unbalanced,非独立同分布,Non,IID,客户端,差分隐私,隐私机制,聚合算法,FedAvg,聚合效果,可收,去中心化架构,数据分布,高效训练
AB值：
0.262635
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
