利用轻量级区块链和自适应模型选择技术，实现安全可靠的集群式联邦学习，以支持基于网络的医疗数据分析

《ACM Transactions on the Web》：Secure and Resilient Clustered Federated Learning for Web-Enabled Healthcare Analytics Using Lightweight Blockchain and Adaptive Model Selection

　　

摘要 AI摘要

要查看此由AI生成的摘要，您必须具有高级访问权限。

了解更多 登录

摘要

摘要

网络支持的医疗分析的使用扩大了人们对机器学习（ML）和AI驱动的云模型的访问范围，但也带来了隐私和安全方面的挑战。联邦学习（FL）已被用于解决数据隐私问题；然而，当前的FL架构依赖于集中式聚合方法，从而形成了单点故障（SPoF），因为在训练或推理过程中对全局模型的成功攻击可能会危及整个系统。这些方法还假设客户端之间的数据分布是均匀的，并忽略了基于网络的分析的约束和多样性。为了解决这些限制，传统的基于区块链的FL系统引入了分布式账本来记录模型更新和工件。然而，使用区块链作为数据账本来记录模型工件和日志会增加共识开销和协调成本。本文介绍了基于区块链的集群联邦学习（BCFL），这是一种架构多样化的、基于集群的FL框架。我们的方法由一个轻量级的许可账本协调，消除了可信的中央聚合器，同时保持了基于网络的医疗分析中的实用性、鲁棒性和可验证的来源信息。BCFL在链上记录紧凑的来源元数据，而将模型参数保留在链外。此外，通过在集群之间分配信任，该设计通过限制训练期间的恶意更新的影响并提高推理时的可靠性来减少攻击在模型之间的传播。在真实世界的医疗数据和其他基准测试上的实验表明，与几种FL基线相比，BCFL提高了训练有素的AI/ML模型的性能并降低了攻击成功率。

AI摘要

AI生成的摘要（实验性）

此摘要是使用自动化工具生成的，并非由文章作者撰写或审核。它旨在帮助发现、帮助读者评估相关性，并协助来自相关研究领域的读者理解本文的工作。它旨在补充作者提供的摘要，后者仍然是文章的官方摘要。完整文章是权威版本。点击此处了解更多。

点击此处对摘要的准确性、清晰度和有用性进行评论。这样做将有助于改进未来的版本。

要查看此由AI生成的简明语言摘要，您必须具有高级访问权限。