Key points are not available for this paper at this time.
Devido à crescente conscientização sobre privacidade e segurança em aplicações de aprendizado de máquina, o aprendizado federado (FL) recebeu ampla atenção e foi aplicado a várias áreas, como sistemas de saúde inteligentes, indústrias baseadas em IoT e cidades inteligentes. O FL permite que os clientes treinem um modelo global de forma colaborativa sem acessar seus dados de treinamento locais. No entanto, os esquemas atuais de FL são vulneráveis a ataques adversariais. Sua arquitetura torna difícil detectar e se defender contra atualizações maliciosas do modelo. Além disso, a maioria dos estudos recentes para detectar FL de atualizações maliciosas, mantendo a privacidade do modelo, não foi suficientemente explorada. Este artigo propõe aprendizado federado baseado em blockchain com verificação de modelo SMPC contra ataques de envenenamento para sistemas de saúde. Primeiro, verificamos o modelo de aprendizado de máquina dos participantes do FL por meio de um processo de inferência criptografada e removemos o modelo comprometido. Uma vez que os modelos locais dos participantes tenham sido verificados, os modelos são enviados para o nó da blockchain para serem agregados de forma segura. Realizamos vários experimentos com diferentes conjuntos de dados médicos para avaliar nossa estrutura proposta.
Kalapaaking et al. (Sex,) estudaram essa questão.