区块链-不可纂改

算法设计与分析

算法设计与分析、多选、判断

主定理原理-算法设计与分析

​：每个客户端上交的“学习心得”（梯度更新）本身是一个复杂的、多层次的结构（比如矩阵、张量）。例如，用户A的手机主要存猫的图片，用户B的手机主要存狗的图片，他们训练出的图像识别模型梯度方向本来就会不同。​：有些设备可能是恶意的（比如被黑客控制），它们会故意上交错误的、甚至有害的“学习心得”，企图破坏最终的总模型。这就叫“投毒攻击”。这样一来，好客户端的贡献被放大，坏客户端的破坏力被减弱，从而保证了

当客户端收到服务器下发的全局模型后，它的训练过程与传统的集中式训练在算法上非常相似，但有几个关键区别。其核心流程如下图所示：假设客户端是一个手机，它收到了全局模型 。手机将收到的全局模型参数加载到本地的模型架构中。现在，手机上的这个模型和服务器上的模型一模一样。手机从自己的存储中加载本地私有数据（例如，你的照片、打字习惯等）。这些数据永远不会被发送出去。Local Epoch (本地轮次)：指本地

例如，在一个由多个医院参与的医疗图像诊断联邦学习项目中，如果一家医院提供的图像数据量是另一家的两倍，那么在聚合参数更新时，数据量多的医院对应的参数更新权重就会更大。例如在图像识别的联邦学习项目中，客户端下载的模型参数定义了神经网络的结构、初始权重等信息，客户端在此基础上利用本地的图像数据进行训练，调整模型参数以适应本地数据的特点。同样，B 电商有自己独特的用户数据，包括用户的消费金额分布、购买频率

PoW是一种通过消耗计算资源来验证参与方真实性的共识机制，其核心是“

破坏模型性能（如降低准确率）或植入后门（如特定输入触发错误输出）。

假设联邦学习训练一个人脸识别模型，某客户端上传的梯度更新指向 “眼睛区域的像素变化”，攻击者可通过多次迭代优化（如生成对抗网络 GAN），逐步重构出符合该梯度特征的人脸图像。：如 “成员推理攻击” 的变种，攻击者通过多次查询模型，利用输出概率分布推断特定数据是否属于训练集，甚至还原数据细节。：若攻击者掌握训练数据的先验分布（如医疗数据的年龄、性别分布），可通过模型输出的概率分布反推具体样本的特征。