联合机器学习(FL)允许在敏感数据上集体训练模型,因为只有客户的模型而不是他们的训练数据需要被共享。然而,尽管关于FL的研究已经引起了关注,但这个概念在实践中仍然缺乏广泛的采用。其中一个关键原因是实施FL系统的巨大挑战,即同时为所有参与的客户实现公平性、完整性和隐私保护。为了帮助解决这个问题,我们的论文提出了一个融合了区块链技术、本地差异性隐私和零知识证明的FL系统。我们用多元线性回归实现了一个概念验证,说明这些最先进的技术可以结合到一个FL系统中,使经济激励、信任和保密性要求在一个可扩展和透明的系统中保持一致。
This is the accepted version of a paper that will be published in the Special Issue "Federated Learning
论文地址:http://arxiv.org/pdf/2111.06290v1.pdf