基于区块链的分层联邦学习，基于区块链技术的分层联邦学习研究

摘要：，，本研究探讨了一种基于区块链技术的分层联邦学习框架。该框架结合了区块链的去中心化特性和联邦学习的数据隐私保护优势，旨在实现更安全、高效的数据共享和机器学习。分层设计使得系统更加灵活，能够适应不同场景的需求。通过这一框架，各方可以在保护数据隐私的前提下，共同进行模型训练并享受模型带来的收益。这一技术为智能决策、风险管理等领域提供了新的视角和解决方案。

保留隐私优势，减轻通信开销

分层联邦学习（Hierarchical Federated Learning, HFL）是一种在保留联邦学习（Federated Learning, FL）隐私保护优势的同时，降低通信开销的学习方法，当FL的工作人员或参数服务器不可信或恶意时，HFL成为一个有效的解决方案。

1. Semi-Asynchronous Hierarchical Federated Learning over Mobile Edge Networks

来源：IEEE Access

摘要：提出了一种半异步分层联邦学习（Semi-Asynchronous Hierarchical Federated Learning, SAHFL）框架，支持从数据感知到云模型的弹性边缘聚合，该框架结合了本地-边缘的同步聚合模型和边缘-云的半异步聚合模型，提出了一种分布式交替方向乘子法（ADMM）-块坐标更新（BCU）算法，可在训练精度和传输延迟之间取得平衡。

细节：边缘模型聚合采用同步平均更新；云聚合则每轮选择部分边缘节点，利用特定算法在本地更新模型参数，并在层间进行异步更新。

2. FedAT: 一种高性能、通信效率高的联邦学习系统

来源：Zheng Chai 等

运作：每一层进行同步更新，随机选择一小部分客户端，计算其本地数据的丢失梯度，然后将压缩的权值发送给服务器进行同步更新，服务器执行解压缩、权重更新等步骤。

3. Efficient Asynchronous Federated Learning in the Internet of Vehicles

来源：IEEE Internet of Things Journal

架构：端边云架构，提出了一种高效的分层异步联邦学习（Efficient Asynchronous Federated Learning, EHAFL）算法，可根据带宽动态调整编码长度，降低通信开销，边缘服务器基于新鲜权重因子进行异步聚合，云服务器进行同步聚合。

4. FedDual: 通过点对点Gossip助力联邦学习在大规模去中心化网络中的表现

来源：IEEE Transactions on Information Forensics and Security

特色：提出了一种异步分层局部梯度聚合和全局模型更新算法FedDual，FedDual通过一个成对的gossip算法异步和分层地聚合局部梯度，并在每个客户端上本地更新全局模型。

其他文章（5-12）简要概述...

（由于篇幅限制，这里只提供了简要概述和部分细节，完整内容请查阅原文。）

这些文章详细描述了分层联邦学习的不同框架、算法和应用场景，展示了其在保持隐私优势的同时，如何有效地降低通信开销和提高学习效率，希望这些整理和分析能帮助您更好地理解分层联邦学习的现状和发展趋势。