基于分布式存储框架的无中心联邦学习

联合学习是一种新的机器学习范式，它允许多个参与者以隐私和安全的方式训练共享的机器学习模型，而无需共享原始数据。由于联邦学习可以解决数据孤岛的问题，因此具有广泛的应用价值。然而，在传统的联邦学习中，使用单个中央服务器聚合模型可能会导致单点故障。为了克服传统联邦学习中可能出现的单点故障问题，本文提出了一种基于区块链的分布式联邦学习（DFL），利用区块链的特点，将模型存储任务委托给区块链网络中的节点。本文提出了一种异步聚合策略，允许参与者随时加入联邦学习，以减少参与者的等待时间。为了克服区块链的存储限制，本文还设计了一种模型阻塞策略，对大规模模型进行阻塞，以满足区块链的存储需求。本文在多个数据集上训练各种机器学习模型，以评估DFL。实验结果表明，DFL在克服单点故障的同时，取得了比传统方法更好的性能。