计算机应用

作者：罗长银, 陈学斌, 马春地, 王君宇

单位：1. 华北理工大学 理学院, 河北 唐山 063210;2. 河北省数据科学与应用重点实验室(华北理工大学), 河北 唐山 063210;3. 唐山市数据科学重点实验室(华北理工大学), 河北 唐山 063210

关键词：区块链,集成学习,联邦学习,增量学习

基金：国家自然科学基金资助项目（61572170，61170254）；唐山市科技项目（18120203A）。

针对传统数据处理技术存在模型过时、泛化能力减弱以及并未考虑多源数据安全性的问题，提出一种面向区块链的在线联邦增量学习算法。该算法将集成学习与增量学习应用到联邦学习的框架下，使用stacking集成算法来整合多方本地模型，且将模型训练阶段的模型参数上传至区块链并快速同步，使得在建立的全局模型准确率仅下降1%的情况下，模型在训练阶段与存储阶段的安全性均得到了提升，降低了数据存储与模型参数传输的成本，同时也降低了因模型梯度更新造成数据泄漏的风险。实验结果表明，在公开的数据集上进行训练，各时间段内模型的准确度均在91.5%以上，且方差均低于10-5；与传统整合数据训练模型相比，该模型在准确率上略有下降，但能够在保证模型准确率的同时提高数据与模型的安全性。

来源：2021年第2期

《计算机应用》期刊编辑部

查看计算机应用杂志2021年第2期