ブロックチェーンに基づいて非IIDデータを使用して、安全で分散化されたフェデレーション学習フレームワーク

Federated Learningにより、複数の組織にわたる機械学習モデルの共同トレーニングを可能にし、機密データを共有する必要性を排除できます。それにもかかわらず、実際には、これらの組織間のデータ分布はしばしば非独立であり、同一に分散されている（非IID）。これは、従来の連邦学習に大きな課題をもたらします。この課題に取り組むために、非IIDデータのトレーニングを強化し、データのプライバシーとセキュリティを保護し、フェデレーションの学習パフォーマンスを向上させるように設計されたブロックチェーンテクノロジーに基づいて、階層的なフェデレーション学習フレームワークを提示します。このフレームワークは、非IIDのローカルデータを減らし、モデルの精度を向上させるためにブロックチェーンシステムを構築することにより、グローバル共有プールを構築します。さらに、スマートコントラクトを使用してモデルを配布および収集し、メインブロックチェーンを設計して、地元のモデルをフェデレーションアグリゲーション用に保存し、分散化されたフェデレーション学習を実現します。MNISTデータセットでMLPモデルをトレーニングし、Fashion-MnistおよびCIFAR-10データセットでCNNモデルをトレーニングして、その実現可能性と有効性を確認します。実験結果は、提案された戦略が、非IIDデータを使用して3つのタスクで分散化された連邦学習の精度を大幅に改善することを示しています。

Federated learning enables the collaborative training of machine learning models across multiple organizations, eliminating the need for sharing sensitive data. Nevertheless, in practice, the data distributions among these organizations are often non-independent and identically distributed (non-IID), which poses significant challenges for traditional federated learning. To tackle this challenge, we present a hierarchical federated learning framework based on blockchain technology, which is designed to enhance the training of non-IID data., protect data privacy and security, and improve federated learning performance. The framework builds a global shared pool by constructing a blockchain system to reduce the non-IID degree of local data and improve model accuracy. In addition, we use smart contracts to distribute and collect models and design a main blockchain to store local models for federated aggregation, achieving decentralized federated learning. We train the MLP model on the MNIST dataset and the CNN model on the Fashion-MNIST and CIFAR-10 datasets to verify its feasibility and effectiveness. The experimental results show that the proposed strategy significantly improves the accuracy of decentralized federated learning on three tasks with non-IID data.