【论文】联邦学习区块链论文集（二）

11.\color{#FF0000} 11.11. Blockchain-based Federated Learning for Failure Detection in Industrial IoT

关键词：区块链、联邦学习、机器学习、边缘计算、物联网、失败
动机：

基于区块链的联邦学习系统缺乏系统和整体的体系结构设计来支持系统开发和解决IIoT故障检测中数据异构的挑战。
没有考虑区块链的激励机制设计和可扩展性问题。

主要贡献：

1）一种平台体系结构，提供系统交互的系统视图，并作为IIoT故障检测中基于区块链的联邦学习系统的设计指南。架构设计涉及以下架构设计决策:模型培训的安排、监控客户数据的存储、客户的激励机制以及区块链的部署。
2）一种称为质心距离加权联邦平均(CDW FedAvg)的联邦平均算法，考虑了每个客户端数据集的正类和负类之间的距离，以减少IIoT故障检测中数据异构问题的影响。
3）一种区块链锚定协议，它构建一个自定义的Merkle树，其中每个叶节点代表一个由客户端边缘设备收集的数据记录，并将自定义Merkle树的根以预先配置的间隔放置在区块链，以确保以可伸缩的方式验证客户端数据的完整性。
4）一种激励机制，通过设计的激励智能合同，根据模型培训所用数据的大小向每个客户奖励代币，以激励客户将其数据和计算资源贡献给模型培训。
5）可行性，预测精度和性能评估使用一个真实的行业使用案例，预测故障的水冷磁悬浮空调冷水机组。

arXiv.org

12.\color{#FF0000} 12.12. Blockchain-based Node-aware Dynamic Weighting Methods for Improving Federated Learning Performance

关键词：联邦学习、区块链、节点选择、加权方案

动机：

联邦学习的局限性：1）每个设备的学习模型的可靠性，以及用户参与学习过程的积极性。2）网络过载的问题。
使用加密货币以激励用户参与学习。
网络过载问题可以通过区块链的准确节点识别来缓解。减少网络过载的最好方法之一是在FL中快速稳定地收敛学习模型地目标精度。
此外，在考虑用户意外脱离学习时，快速稳定地目标精度收敛也很重要。

主要贡献：

1）提出了基于节点识别的局部学习加权方法、根据参与频率和数据量进行节点选择的方法和根据参与频率进行加权的方法，以达到快速收敛和稳定的学习精度。
2）还比较和分析了所提出的方法和传统的联邦学习在学习速度和稳定性上的差异。

IEICE – The 20th Asia-Pacific Network Operations and Management Symposium (APNOMS) 2019

13.\color{#FF0000} 13.13. FLchain: Federated Learning via MEC-enabled Blockchain Network

关键词：区块链、分布式计算、联邦学习、多访问边缘计算

动机：

FL高度依赖中心服务器。易被恶意攻击。
前人提出地BFL，所有参与者在指定时间内都成功提交本地模型时不实际的。

主要贡献：

1）将多存取边缘计算和区块链网络结合，提出了一套适用于FL的系统模型。
2）FLchain为学习每个全局模型提供一个单独的channel，用于存储属于该channel的本地模型更新的共识和分类帐本。
3）全局模型trie 是基于每个channel维护的，它可以安全地将全局模型权重存储在Merkle Patricia Tree中，并且它还可以进行溯源。
4）在FLchain中，全局模型更新有区块链网络进行计算、验证、存储，代替了中心服务器，它比传统地FL更健壮。

IEICE – The 20th Asia-Pacific Network Operations and Management Symposium (APNOMS) 2019

14.\color{#FF0000} 14.14. FLChain: A Blockchain for Auditable Federated Learning with Trust and Incentive

关键词：联邦学习、激励机制、分散、信任

主要贡献：

1）提出了FLChain来分配训练者的可信和激励。
2）评估训练者对利润分配的可靠性和贡献。提出了训练者总利润最大化的联邦建立算法。
3）FLChain提供了一个可盈利的可靠的公共平台。提出了一种用以降低区块链查询时间成本的方法，以便及时发现错误行为和model purchase。

2019 5th International Conference on Big Data Computing and Communications (BIGCOM)

15.\color{#FF0000} 15.15. Mechanism Design for An Incentive-aware Blockchain-enabled Federated Learning Platform

主要贡献：

1）为区块链联邦学习设计了激励机制。
2）提出了一个成熟的协议，可以在现有的公共区块链的基础上实现。
3）提供了一个严格的理论分析来阐明基于竞争理论的激励兼容性。

2019 IEEE International Conference on Big Data (Big Data)

16.\color{#FF0000} 16.16. Poster: A Reliable and Accountable Privacy-Preserving Federated Learning Framework using the Blockchain

关键词：联邦学习、隐私、区块链
主要贡献：

1）提出了基于区块链隐私保护的联邦学习框架。 | 同态加密
2）提供了激励机制。

CCS '19: Proceedings of the 2019 ACM SIGSAC Conference on Computer and Communications SecurityNovember 2019 Pages 2561–2563

17.\color{#FF0000} 17.17. Record and Reward Federated Learning Contributions with Blockchain

关键词：区块链、联邦学习、分布式机器学习、类抽样验证错误
主要贡献：

1）将联邦学习和区块链结合，以确保数据隐私和安全性，从而激发更多用户的贡献。
2）使用EOS区块链和IPFS以可下载的方式记录上传的更新，并根据训练数据成本奖励用户。
3）提出Class-Sampled Validation-Error Scheme（CSVES）：通过智能合约验证和奖励有价值的上传更新。对误差趋势（CSVES-Tr）和误差阈值（CSVES-Th）两个验证标准进行了检验和评估。
4）使用python和Hyperledger Fabric进行简单的实现，以验证系统的可行性，并计划稍后在EOS中实现概念验证。

2019 International Conference on Cyber-Enabled Distributed Computing and Knowledge Discovery (CyberC)

18.\color{#FF0000} 18.18. Privacy-Preserving Blockchain-Based Federated Learning for IoT Devices

关键词：区块链、众包(crowdsourcing)、差分隐私、联邦学习、物联网、移动边缘计算
主要贡献：

1）提出一个分层的众包联邦学习系统来建立机器学习模型，以帮助家电商提高服务质量和优化家电功能。
2）提出了一个新的标准化技术，它比批量标准化提供了更高的测试精度，同时保留了每个参与者数据的提取特征的隐私。此外，通过利用差分隐私，防止对手利用学习模型来推断客户的敏感信息。
3）基于区块链的系统通过确保所有的模型更新可追责来防止恶意模型攻击。

IEEE Internet of Things Journal ( Early Access )

19.\color{#FF0000} 19.19. BAFFLE : Blockchain Based Aggregator Free Federated Learning

关键词：基于区块链的去中心化、聚合器自由联邦学习、以太坊驱动智能合约
主要贡献：

1）提出基于区块链的聚合自由联邦学习框架（BAFFLE）。
2）在私有以太坊上提供了一个实用的、生产级的BAFFLE实现，具有可靠的供应链部署。使用大型深度神经网络（DNN）模型在现实世界案例中展示了BAFFLE的优点。
3）进行了详尽的实验，以研究与其他基准相比，BAFFLE的用户优势、健壮性和可扩展性。

arXiv:1909.07452 [cs.LG]

20.\color{#FF0000} 20.20. A blockchain-orchestrated Federated Learning architecture for healthcare consortia

主要贡献：

提出了一种用于医疗保健联盟中的联邦学习的新颖体系结构。该解决方案的核心是隐私保护技术的独特集成，该技术基于以太坊生态系统中可用的本地企业区块链组件。

arXiv:1910.12603 [cs.CY]