iT邦幫忙

2022 iThome 鐵人賽

DAY 13
0
Security

區塊鏈與聯邦學習系列 第 13

聯邦學習(Federated Learning)整合的資訊科學領域

  • 分享至 

  • xImage
  •  
  • 去中心化計算/邊緣計算
    • 資訊安全
    • 系統安全專業知識
    • 分散式架構的機器學習算法
    • 對抗性機器學習
    • 第三方或去中心化協定
  • 機器學習的可拓展性
    • 面對惡意成員和外部威脅,如何設計穩健的系統?
    • 沒有可信任的第三方,如何進行聯邦學習(FedML)?

「聯邦學習(FL)」比「集中式機器學習」更強大

  • 資料安全和隱私。
  • 個人資料不會離開用戶的設備,只傳輸模型的參數更新。
  • 資料加密,任何人都無法攔截資料並對其進行逆向工程。
  • 降低資料傳輸成本。
  • 機器學習模型儲存於用戶的設備中,可進行即時推理而沒有延遲問題。

後門攻擊(Backdooring)問題

聯邦學習使眾多的參與者都能夠參與模型訓練,而無需相互共享他們的私人訓練數據。
但任何參與者都可以將隱藏的後門功能引入模型的安全性隱憂。

  • 聯邦學習(FedML)主要威脅來於自盟內內的惡意成員。
  • 提出的模型替換方法可能會造成在全域(Global)模型中引入後門。
  • 無法檢測到惡意模型更新,以及是誰提交。

結合「區塊鏈(Blockchain)」

結合「區塊鏈(Blockchain)」可以有效解決聯邦學習(FL)的參與者之間的身分驗證問題。

  • 不同方之間點對點(Peer to Peer) 共享的不可變記錄(Immutable Record)。
  • 以「伺服器賬本」替代中間人。
  • 智能合約:DApp、DAO。

上一篇
聯邦學習系統(Federated Learning System)概念
下一篇
聯邦學習開源平台:OpenMined
系列文
區塊鏈與聯邦學習30
圖片
  直播研討會
圖片
{{ item.channelVendor }} {{ item.webinarstarted }} |
{{ formatDate(item.duration) }}
直播中

尚未有邦友留言

立即登入留言