• 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。