利用轻量级区块链和自适应模型选择技术，实现安全且具备弹性的集群式联邦学习，以支持基于网络的医疗数据分析

《ACM Transactions on the Web》：Secure and Resilient Clustered Federated Learning for Web-Enabled Healthcare Analytics Using Lightweight Blockchain and Adaptive Model Selection

区块链增强的联邦学习架构在医疗数据分析中提升隐私保护与抗攻击性

　　

摘要AI 摘要

要查看此由 AI 生成的摘要，您必须具有高级访问权限。

了解更多登录

摘要

摘要

基于网络的医疗分析技术的应用扩大了人们对机器学习（ML）和 AI 驱动的云模型的访问范围，但同时也带来了隐私和安全方面的挑战。联邦学习（FL）已被用于解决数据隐私问题；然而，当前的 FL 架构依赖于集中式聚合方法，从而形成了单点故障（SPoF），因为在训练或推理过程中对全局模型进行的成功攻击可能会危及整个系统。这些方法还假设客户端之间的数据分布是均匀的，并忽略了基于网络的分析的多样性和限制。为了解决这些问题，传统的基于区块链的 FL 系统引入了分布式账本来记录模型更新和结果。然而，使用区块链作为数据账本来记录模型结果和日志会增加共识开销和协调成本。本文介绍了基于区块链的集群联邦学习（BCFL），这是一种具有多种架构且基于集群的 FL 框架。我们的方法由一个轻量级的授权账本协调，该账本消除了需要依赖的中央聚合器，同时保持了基于网络的医疗分析中的实用性、鲁棒性和可验证的来源信息。BCFL 在链上记录紧凑的来源元数据，而将模型参数保存在链外。此外，通过在集群之间分配信任，该设计通过限制训练期间的恶意更新的影响并提高推理时的可靠性来减少攻击在模型之间的传播。在真实世界的医疗数据和其他基准测试中的实验表明，与几种 FL 基线相比，BCFL 提高了训练有素的 AI/ML 模型的性能并降低了攻击成功率。

AI 摘要

AI 生成的摘要（实验性）

此摘要是使用自动化工具生成的，并非由文章作者撰写或审核的。它旨在帮助发现、帮助读者评估相关性，并协助来自相关研究领域的读者理解本文的工作。它旨在补充作者提供的摘要，后者仍然是文章的官方摘要。完整文章才是权威版本。点击此处了解更多。

点击 此处 对此摘要的准确性、清晰度和实用性进行评论。您的反馈将有助于改进未来的版本。

要查看此由 AI 生成的通俗语言摘要，您必须具有高级访问权限。