报告
基于区块链与联邦学习技术的数据交易平台设计
摘要
符合法律法规、数据伦理约束的大规模数据交换是数据要素化重要的基础条件。联邦学习作为一种新兴技术解决了数据交换的隐私问题，得到学术界的高度关注。但联邦学习的具体方法尚不成熟，离大规模应用还有距离。区块链和联邦学习的协作简化了数据分布场景、提供了学习过程的追溯、基于零知识证明方法实现了数据交易的“事先评估”。基于区块链的信任媒介作用，可以通过区块链系统记录训练参数、模型数据、数据调用过程等，实现多方合作的可信隐私计算平台。在不暴露具体数据的前提下，通过神经网络的模型、梯度等数据共享，实现数据蕴含的知识价值传递，从而打破既有条件下的数据孤岛，构建数据价值链条。
检索正文关键字
报告目录
- 一 背景
- 二 基于区块链与联邦学习的技术
- 三 身份确认与过程追溯
-
四 主要工程问题以及对应方法
- （一）联邦学习的部署
- （二）联邦学习的数据对齐
- （三）数据质量评价
-
五 开放性问题
- （一）部署以及场景问题
- （二）学习效率及准确性
- （三）数据隐私保护问题
- （四）系统健壮性问题
- （五）算法公正及偏差
报告图片/图表
相关文献
查看更多>>>