基于模型相似度的联邦学习本地模型可信计算研究

摘要

基于区块链与联邦学习的模型训练，有利于在保护客户端数据隐私的同时监管客户端的本地模型质量，但联邦学习建模过程中存在的客户端恶意训练行为风险会导致本地模型质量下降，进而影响全局模型性能。针对以上问题，提出了基于模型相似度的联邦学习改进算法，通过客户端本地模型的可信计算实现联邦学习全局模型性能的改善。首先客户端通过参与联邦学习来进行本地模型训练；然后验证客户端通过区块链获取本地模型，并进行模型相似度计算；最后根据验证结果给予客户端参与联邦学习聚合过程的资格，促使客户端进行本地模型的可信计算，进而改善联邦学习全局模型性能。以企业信用评估模型为例进行分析发现，改进的联邦学习算法全局模型的准确率比传统联邦学习提高6.2%，收敛速度提前8个轮次，有效改善了联邦学习的全局模型性能。

关键词

联邦学习 / 模型相似度 / 可信计算 / 本地模型 / 区块链

基金资助

广西重点研发计划（AB21196059）; 广西杰出青年基金（2019GXNSFFA245007）; 南宁市重点研发计划（20213028）; 国家自然科学基金（61762030）