区块链上的去中心化联邦遗忘
内容提要
本文综述基于区块链的联邦学习框架，包括BlockFL、BDFL、VeryFL、SRB-FL、VBFL等，旨在解决去中心化、恶意客户端、激励机制与模型验证问题，并探讨联邦取消学习及区块链导致的模型陈旧与不一致影响，指出模型不一致可使准确率降低约35%。
延伸解读
区块链如何赋能联邦学习
文章综述了多个基于区块链的联邦学习框架，如BlockFL、BDFL、VeryFL等，它们利用区块链的共识机制和去中心化特性，解决传统联邦学习依赖中央服务器、易受恶意客户端攻击、缺乏激励机制等问题。这些框架通过链上验证模型更新、设计信誉模型或权益证明共识，旨在实现可信、可扩展的分布式学习。
模型不一致的代价
文章特别指出，将联邦学习协调外包到区块链等民主网络会引入模型陈旧和不一致问题。仿真评估显示，在CIFAR-10数据集上，模型不一致可使预测准确率降低约35%。这提醒我们，区块链系统的设计必须考虑联邦学习应用的基本特性，否则可能严重损害模型性能。
联邦取消学习的挑战
文章探讨了联邦取消学习，即从分布式客户端模型中删除特定数据贡献。基于区块链的可信框架通过验证数据删除和消除其他客户端模型中的贡献，避免中央服务器保留历史模型参数。但该领域仍面临诸多未解决的技术挑战，如高效验证删除、确保所有客户端同步更新等。
Q&A
区块链上的去中心化联邦遗忘是什么？
区块链上的去中心化联邦遗忘是指利用区块链技术实现联邦学习中的取消学习（即数据删除），通过验证数据删除和消除其他客户端模型中存储的数据贡献，达到更好的数据删除效果，从而解决现有工作中需要中央服务器保留分布式客户端历史模型参数的问题。
区块链如何帮助联邦学习实现去中心化？
区块链通过共识机制和分布式账本，使联邦学习无需中央服务器即可协调多个客户端。例如，BlockFL通过交换和验证本地模型更新，利用区块链共识机制实现设备上的机器学习；BDFL利用区块链进行分散化模型验证和审计，包括审核委员会、激励机制等。
基于区块链的联邦学习框架有哪些？
文章综述了多个框架，包括BlockFL、BDFL、VeryFL、SRB-FL、VBFL等。BlockFL通过交换和验证本地模型更新实现去中心化；BDFL利用区块链进行分散化模型验证和审计；VeryFL是嵌入以太坊的验证联邦学习框架；SRB-FL是基于区块链分片的安全联邦学习框架；VBFL是采用去中心化验证和权益证明共识的框架。
区块链联邦学习如何应对恶意客户端？
不同框架采用不同机制。例如，BDFL通过信誉模型和审核委员会，在存在30%恶意客户端的系统中实现快速模型收敛和高准确性；VBFL引入去中心化验证机制验证本地模型更新的合法性，在15%恶意设备下达到87%的准确率，比Vanilla FL高7.4倍；SRB-FL通过区块链分片和激励机制提高设备可靠性。
区块链给联邦学习带来哪些性能挑战？
区块链可能导致模型陈旧和不一致，影响异步设备训练过程。仿真评估显示，模型不一致可使预测准确性降低约35%，这凸显了根据基本联邦学习应用特性合理设计区块链系统的重要性。
联邦取消学习的研究现状如何？
研究调查了联邦学习中取消学习的背景概念、经验证据和实际指南，提出了一种新的分类法对最先进的取消学习算法进行详细分析，并确定了该领域最有前景的研究方向和尚未解决的技术挑战。
