基于区块链的联邦学习工作流程-Toy模板网

这篇具有很好参考价值的文章主要介绍了基于区块链的联邦学习工作流程。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

工作流程：

1.初始化（Initialization）：从预定义好的目标函数和全局梯度中随机选择参数。
2.本地模型更新（Local model update）：终端设备根据所需的迭代次数来训练本地模型。
3.本地模型上传（Local model upload）：矿工与终端设备进行绑定。终端设备上传本地模型参数给矿工，同时上传相应的本地计算时间进行验证。
4.交叉验证（Cross Verification）：矿工依次验证终端设备的模型参数和计算时间。计算时间是否与数据的大小成正比决定了模型参数的可靠性。验证后的数据存储在矿工的potential块中，直到所有模型参数验证并存储在一个块中。
5.区块生成（Block generation）：每一轮都会运行共识算法。当有获胜的矿工获得区块生成机会并生成候选块（candidate block）时便会停止共识算法，同时强迫其他矿工停止竞争区块生成的机会。
6.区块传播（Block propagation）：获胜的矿工将候选块作为新区块广播给所有参与方。如果验证无误，系统中的所有矿工将新区块追加到本地的账本中。
7.全局模型更新（Global model update）：被选择的矿工聚合所有本地模型参数，然后将新的全区参数写入块中。
8.全局模型下载（Global model download）：所有的终端设备从新区块中下载全局参数，并决定是否进行下一轮。
基于区块链的联邦学习工作流程

分类：

完全去中心化（Fully decentralized）:每个终端设备都有可能领导特定的一轮训练，并发挥聚合器（中心服务器）的作用。可能性与所处理的资源成正比，包括：计算和存储性能、本地数据质量、网络稳定性等因素。
部分去中心化（Partially decentralized）:部分去中心化的FL允许一个选定的矿工或委员会达成共识，并决定候选区块。
混合型（Hybrid）：一些支持区块链的FL系统选择了灵活的共识算法（例如基于委员会的算法），这样既可以完全去中心化又可以部分去中心化，这种情况下称为Hybrid。

参考文献：https://www.researchgate.net/profile/Youyang-Qu/publication/359493327_Blockchain-Enabled_Federated_Learning_A_Survey/links/6242659957084c718b72b113/Blockchain-Enabled-Federated-Learning-A-Survey.pdf文章来源地址https://www.toymoban.com/news/detail-451319.html

到了这里，关于基于区块链的联邦学习工作流程的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！