关键词：联邦学习、区块链、延迟分析 主要贡献： 1）用区块链网络来代替中央服务器； 2）提供验证和相应的激励机制 3）研究BlockFL端到端学习完成延迟, 通过调整块生成率来使延迟最小化

关键词：COVID-19、隐私保护数据共享、深度学习、联邦学习、区块链 主要贡献： 1）介绍了一个由89名受试者组成的新数据集，其中68名受试者为确诊的COVID19患者。数据集包含属于89个受试者的34，006个CT扫描切片(图像)。 2）提出了一种区块链授权的技术，可以从不同来源协作收集数据集，同时考虑到组织的隐私问题。采用联邦学习是为了保护组织的数据隐私，并使用不太精确的局部模型来训练全局深度学习模型。 3）使用深度学习模型(VGG16、VGG19、DenseNet、AlexNet和MobileNet、ResNet、Capsule Network)从肺部ct扫描中检测新冠肺炎图像。 4）比较了最先进的本地模型(即ResNet、Capsule Network等)与联邦学习模型的比较结果清楚地表明了我们提出的方法的优越性。

BlockFLA 问责联邦学习

基于区块链的去中心化联邦学习框架

通过区块链的联邦学习及其延迟分析

关键词：区块链技术、差分隐私、以太坊、加密、联邦学习、激励学习、物联网、可扩展、安全 主要贡献： 1）介绍数据隐私； 2）介绍联邦学习 3）介绍区块链、介绍BFL； 4）介绍联邦学习在IOT中的应用。

关键词：区块链、众包(crowdsourcing)、差分隐私、联邦学习、物联网、移动边缘计算 主要贡献： 1）提出一个分层的众包联邦学习系统来建立机器学习模型，以帮助家电商提高服务质量和优化家电功能。 2）提出了一个新的标准化技术，它比批量标准化提供了更高的测试精度，同时保留了每个参与者数据的提取特征的隐私。此外，通过利用差分隐私，防止对手利用学习模型来推断客户的敏感信息。 3）基于区块链的系统通过确保所有的模型更新可追责来防止恶意模型攻击。

Scalable and Communication-efficient Decentralized Federated Edge Learning with Multi-blockchain Framework 关键词：联邦边缘学习、区块链、梯度压缩、传输效率、安全 主要贡献： 1）设计了一个分层的区块链框架，该框架由一个主区块链和多个子链，以安全、可扩展和灵活的方式管理模型更新和模型共享记录。 2）对于模型训练子链，我们设计了一个视点一致性方案，通过允许矿工协同验证安全BFEL模型更新的质量来过滤掉不可靠的模型更新。 3）提出了一种梯度压缩方案，在不影响学习精度的情况下提高BFEL的通信效率，并通过减轻推理攻击来增强隐私保护。

When Federated Learning Meets Blockchain: A New Distributed Learning Paradigm 关键词：联邦学习、区块链、隐私和安全 主要贡献： 1）引入一个新的FL框架：基于区块链的联邦学习（BC-FL），使用区块链取代中央服务器。 2）提供激励机制。

综述文献：A Survey on Federated Learning Systems- Vision, Hype and Reality for Data Privacy and Protection 部分知识整理 文献总结了联邦学习系统的特点和分类。 机器学习算法需要大量数据，单组织数据无法训练高质量模型。由于政策法规（数据保护条例）限制，不同组织的数据隔离，形成数据孤岛（data islands），无法简单共享数据。保护数据隐私同时，开发具有良好预测性能的联邦学习系统是一个挑战。 联邦学习系统（federated learning systems，FLSs）目标是在限制用户隐私的情况下，