When Machine Learning Meets Blockchain: A Decentralized, Privacy-preserving and Secure Design
主要贡献
1、提出基于区块链的去中心化的联邦系统LearningChain，考虑了线性和非线性模型（传统FL对非线性模型的隐私问题关注较少），并理论分析其安全性和隐私性；
2、提出一个拜占庭容错的聚合算法( l-nearest aggression)来保证系统的安全性；
3、设计不同的隐私策略（DP）来保护数据持有者的隐私，线性或非线性模型中；
3、在Etheurum上实现LearningChain来验证系统的效率和有效性；
LearningChain问题定义
1、LearningChain的两个挑战文章来源：https://www.toymoban.com/news/detail-460119.html
- 如何保护训练者的数据隐私 — DP（可通过敏感度要求计算满足此敏感度的噪声大小） 或 LearningChainEx
- 如何保证系统对恶意节点攻击的弹性 — l-nearest aggression（余弦距离）；
2、LearningChain中的两种攻击文章来源地址https://www.toymoban.com/news/detail-460119.html
- 个人隐私威胁（身份隐私+数据隐私）
- 系统安全威胁（拜占庭数据持有者–发送任意梯
到了这里，关于【LearningChain】WhenMachineLearningMeetsBlockchainADecentralizedPrivacy-preserving and SecureDesign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！
