本文针对联邦学习中存在的单点故障问题、参与者错误行为问题和吸引高质量参与者（数据、算力）等问题，提出一个联邦学习生态，使用FLChain区块链代替传统的FL服务器以避免单点故障，对参与者上传数据进行审计以处理错误行为，设置激励策略吸引足够的高质量分布式数据和计算资源。Bao, Xianglin , et al. "FLChain: A Blockchain for Auditable Federated Learning with Trust and Incentive." 2019 5th International Conference on Big Data Computing and Communications (BIGCOM) 2019.
本文的优点1设计激励策略时考虑到了多任务同时发布的情况；2基于布隆过滤器设计了DDCBF来减少错误行为和模型查询的时间开销，通过采用未匹配项下一步处理、匹配项进一步匹配的方式，，利用了布隆过滤器的真阴性特点，使得布隆过滤器这一概率工具能够得到确定性结果。
本文的问题1激励策略根据模型质量给与奖励，但模型质量的评定和根据模型质量给予的奖励有一轮的时间差，带来了尾处理问题。
2023年3月2日
标签：BIGCOM,19,Blockchain,Federated,Auditable,Learning,FLChain From： https://www.cnblogs.com/FBprivacy/p/17172142.html