블록체인에 기반한 분산 연합 학습 해제

블록체인 기반 연합 학습(FL)은 FL 프로세스의 무결성과 추적성을 보장하기 위해 점점 더 많이 채택되고 있습니다. 블록체인 기반 FL은 참가자가 자신의 데이터로 모델을 로컬에서 훈련한 후 모델을 블록체인에 게시하여 모델 관계를 나타내는 방향성 비순환 그래프(DAG)와 같은 상속 구조를 형성합니다. 그러나 이 특정 DAG 기반 구조는 민감한 데이터로 모델을 업데이트하는 데 복잡성과 오버헤드로 인해 도전 과제가 발생합니다. 이를 해결하기 위해, 우리는 Chameleon Hash(CH) 기술을 사용하여 블록체인 구조를 재설계하고 모델 업데이트의 복잡성을 완화하여 비학습 작업의 계산 및 합의 비용을 줄이는 일반적인 프레임워크인 블록체인 기반 연합 학습 해제(BlockFUL)를 제안합니다. 게다가, BlockFUL은 다양한 연합 비학습 방법을 지원하여 병렬 또는 직렬 방식으로 수행되는 모델 업데이트의 무결성과 추적성을 보장합니다. 우리는 두 가지 전형적인 비학습 방법인 기울기 상승과 재훈련에 대한 포괄적인 연구를 수행하며, 최소한의 CH 및 블록 업데이트 작업으로 이 두 범주에서 효율적인 비학습 워크플로우를 보여줍니다. 또한, 우리는 이러한 방법들의 계산 및 통신 비용을 비교합니다.