BFLN: A Blockchain-based Federated Learning Model for Non-IID Data

随着联邦学习的应用越来越广泛，不平衡的训练数据分布已经成为一个重要的挑战。联邦学习利用存储在不同训练客户端上的本地数据进行模型训练，而不是将数据集中在服务器上，从而大大增强了训练数据的隐私和安全性。然而，不同客户端之间的训练数据分布可能是不平衡的，不同类别的数据可能存储在不同的客户端上。这对传统的联邦学习构成了挑战，因为它假设数据分布是独立和同分布的（IID）。本文提出了一种基于区块链的非独立同分布数据联邦学习模型（BFLN），将联邦学习与区块链技术相结合。通过引入新的聚合方法和激励算法，BFLN提高了联邦学习在非IID数据上的模型性能。公共数据集上的实验表明，与其他最先进的模型相比，BFLN提高了训练准确率，并为个性化联邦学习提供了可持续的激励机制。

解决非独立同分布数据在联邦学习中的训练问题

将区块链技术与联邦学习相结合，提出了一种新的聚合方法和激励算法，提高了联邦学习在非独立同分布数据上的性能

论文在公共数据集上进行了实验，证明了该方法相比其他最先进的模型具有更高的训练准确度，并提供了可持续的个性化联邦学习激励机制

最近的相关研究包括《Federated learning with non-IID data: An empirical study》和《Blockchain-Based Federated Learning: A Comprehensive Review》等