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，

基于c#编写的WPF应用程序，采用BLL、DAL、Model三层结构规范代码，并连接数据库实现增删改查学习SQL语句的基本应用。仅供参考或者交作业，哈哈

通信技术和医疗物联网的最新进展改变了由人工智能(AI)实现的智能医疗。传统上，人工智能技术需要集中的数据收集和处理，但由于现代医疗网络的高度可扩展性和日益增长的数据隐私问题，这在现实的医疗场景中可能不可行。联邦学习(FL)是一种新兴的分布式协同人工智能范式，通过协调多个客户(如医院)在不共享原始数据的情况下进行人工智能训练，对智能医疗保健特别有吸引力。

联邦学习Advances and Open Problems in Federated Learning，谷歌最新力作，分析了联邦学习最新研究热点和未来的方向

隐私计算产品评估体系 综述

着重描述联邦迁移学习参与放之间的协作，安全联邦迁移学习框架，计算损失和梯度的数学细节。着重描述联邦迁移学习参与放之间的协作，安全联邦迁移学习框架，计算损失和梯度的数学细节。