基于智能合约和联邦存储的异步联邦学习模型

公共安全突发事件中对数据安全的重视程度越来越高，联邦学习由于不再需要上传数据到中心服务器进行计算，减少了隐私泄露的可能而受到广泛关注。然而当前基于智能合约的联邦学习由于运算较大，存在着效率低等缺陷，因此本文提出了一种面向公共卫生突发事件检测的智能合约与联邦存储的异步联邦学习方法。该方法允许联邦节点在任何时间加入和退出联邦学习；依托智能合约与分布存储，进一步增加了公共卫生安全领域的数据安全与训练效率；同时采用自适应的差分隐私对其上传到分布式存储节点的梯度进行动态保护，进一步降低了隐私泄露的风险。在公共数据集和公共卫生安全数据集上大量的实验表明，本文提出的方法在精度上优于已知的对比方法，且在达到相同精度的情况下所需时间更少。