基于区块链的去中心化联邦生成模型研究

科研问题：

联邦学习对机器学习模型训练灵活性差，每次仅能发布单一模型进行训练。训练其他模型时，即使是相同数据，也需召集所有参与方再次共同训练新模型，这极大浪费了各参与方的时间和计算资源。
联邦学习依赖于单一的中心服务器，容易受到中央服务器故障或攻击的影响。这会导致不准确的全局模型更新扭曲所有局部模型的更新。

科研目的：

使用联邦学习训练生成对抗模型，利用生成对抗模型的强大学习能力生成合成数据，代替多方原始敏感数据灵活地进行其他机器学习模型的训练。
部署区块链作为底层架构，去中心化地执行此联邦学习过程，有效防止中央服务器故障或攻击，在确保数据隐私安全下提高联邦学习的鲁棒性。

研究内容：