Key points are not available for this paper at this time.
يتيح التعلم الفدرالي (FL) لمالكي البيانات تدريب الشبكات العصبية معًا دون مشاركة البيانات المحلية، مما يسمح لإنترنت الأشياء الصناعي (IIoT) بمشاركة مجموعة متنوعة من البيانات. ومع ذلك، تعاني أطر التعلم الفدرالي التقليدية من تباين البيانات والنماذج القديمة. لمعالجة هذه القضايا، قدمت هذه الورقة هيكل تعلم فدرالي قائم على blockchain ثنائي الطبقات (BMFL). يقوم BMFL بتقسيم مجموعات المشاركين بناءً على مهام التدريب، ثم يحقق تدريب النموذج من خلال هيكل المجموعة متعددة الطبقات باستخدام التزامن وغير المتزامن، ويستخدم blockchain النموذجي لتسجيل العلامات المميزة للنموذج العالمي، مما يسمح للقائمين على المجموعات باستخراج النموذج بناءً على متطلبات الميزات وحل مشكلة تباين البيانات. بالإضافة إلى ذلك، لحماية خصوصية معلمات تدرج النموذج وإدارة المفتاح، يتم تخزين النموذج العالمي في نص مشفّر، ويستخدم خوارزمية تشامليوم لتعديل وإدارة المفتاح المشفر على blockchain المفتاح مع الحفاظ على قيمة تجزئة رأس الكتلة دون تغيير. أخيرًا، نقوم بتقييم أداء BMFL على مجموعات بيانات عامة مختلفة ونحقق في جدوى المخطط باستخدام مجموعة بيانات الأعطال الحقيقية. تظهر النتائج التجريبية أن BMFL المقترح يظهر سلوك تقارب أكثر استقرارًا ودقة من خوارزمية FL الكلاسيكية، ووقت إلغاء المفتاح معقول.
درس وانغ وآخرون (الخميس) هذا السؤال.
Synapse has enriched 5 closely related papers on similar clinical questions. Consider them for comparative context: