计算机应用研究

作者：侯泽超,董建刚,

单位：新疆大学软件学院,乌鲁木齐830000；

关键词：联邦学习,区块链,隐私保护,非独立同分布,积分梯度,归因,

联邦学习的提出为跨数据孤岛的共同学习提供了新的解决方案，然而联邦节点的本地数据的非独立同分布（Non-IID）特性及中心化框架在参与方监管、追责能力和隐私保护手段上的缺失限制了其大规模应用。针对上述问题，提出了基于区块链的可信切片聚合策略（BBTSA）和联邦归因（FedAom）算法。FedAom引入归因思想，基于积分梯度法获取归因，从而定位影响模型决策行为的参数，分级考虑参数敏感性，在局部更新过程中保持和强化全局模型所学习到的关键知识，有效利用共享数据，从而缓解Non-IID问题。BBTSA基于区块链构建去中心化的联邦学习环境，允许联邦节点在无须中心化第三方的情况下，通过在参与方间交换噪声而非权重或梯度参数，基于合作树结构实现对参数的切片混淆，以保护节点隐私。在两种数据集上的不同分布条件下的验证结果显示，FedAom在大多数条件下相比基线方法在稳定性和收敛速度上都有显著提升。而BBTSA能够隐藏客户端的隐私参数，在不影响精度的情况下确保了训练过程的全程监控和隐私安全。

来源：2024年第8期

《计算机应用研究》期刊编辑部

查看计算机应用研究杂志2024年第8期