基于区块链的联邦学习:模型、方法与应用

• Published in: 自动化学报 Vol. 50; no. 6; pp. 1059 - 1085
• Main Authors: 李程, 袁勇, 郑志勇, 杨东, 王飞跃
• Format: Journal Article
• Language: Chinese
• Published: 中国人民大学交叉科学研究院 北京 100872%中国人民大学数学学院 北京 100872%中国人民大学交叉科学研究院 北京 100872%中国科学院自动化研究所复杂系统管理与控制国家重点实验室 北京 100190 01.06.2024; 澳门科技大学系统工程研究所 澳门 999078; 中国人民大学数学学院 北京 100872
• Subjects: 区块链; 机器学习; 智能合约; smart contract; privacy protection; Blockchain; 联邦学习; 隐私保护; machine learning; federated learning
• ISSN: 0254-4156
• DOI: 10.16383/j.aas.c230336

近年来,人类社会快速步入大数据时代,数据安全与隐私保护已成为发展大数据生态及相关数字经济的关键问题.联邦学习(Federated learning)作为分布式机器学习的一种新范式,致力于在保护数据隐私的同时从分布式本地数据集中训练全局模型,因而获得了广泛和深入的研究.然而,联邦学习体系面临的中心化架构、激励机制设计和系统安全等技术挑战仍有待进一步研究,而区块链被认为是应对这些挑战的有效解决方案,并已成功应用于联邦学习的许多研究和实践场景.在系统性地梳理现阶段区块链与联邦学习集成研究成果的基础上,提出基于区块链的联邦学习(Blockchain-enabled federated learning,BeFL)概念模型,阐述其中的若干关键技术、研究问题与当前研究进展,探讨该领域的应用场景以及有待进一步研究的关键问题,并讨论未来发展的潜在方向,致力于为构建去中心化和安全可信的数据生态基础设施、促进数字经济与相关产业的发展提供有益的参考与借鉴.