基于智能合约的多方安全联邦生成模型研究

科研背景

1.近年来，机器学习、深度学习等技术快速发展并被广泛应用。数据的丰富程度和质量对深度学习模型的性能有着显著影响。但是，一方面数据主体担心自己的商业秘密和用户隐私泄露，不愿交付数据。另一方面，日益严格的数据安全法规对数据的流通和使用提出了诸多限制。这都导致数据共享成为问题，也缺乏数据使深度学习等技术在各个领域无法研究。 2。联邦学习的兴起使分布式用户无须传输本地数据即可实现联合建模，成为数据共享应用和人工智能方法获取标注数据以落地的新范式。

科研目的

构建基于智能合约的多方安全联邦生成模型，安全地生成合成数据，代替多方原始敏感数据进行自由的共享应用和流通。1.构建异构型的分布式联邦GAN。在联邦中心保留生成器G，在联邦网络中的边缘客户端各自保留一个判别器D。由多个客户端联邦训练GAN模型，生成合成数据。2.通过区块链和安全多方计算解决分布式联邦GAN的信任和安全问题。由区块链提供一个信任交互平台，联邦中心和边缘客户端都是其中平等的用户节点。区块链智能合约负责执行具体的多方安全计算，安全完成生成器和客户端判别器之间的训练参数聚合和交互工作。提升了联邦GAN模型的隐私保护能力。

研究内容