《表1 三种初始模型在历史数据上迭代100次的准确度均值与方差》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《面向区块链的在线联邦增量学习算法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

本文实验分为四个部分，第一部分：将随机森林、神经网络、朴素贝叶斯作为初始模型分发至各数据源，在历史数据集上进行训练，根据三种模型训练的结果计算准确度的平均值（mean，即准确率）及方差（variance），选择准确率最高且方差最小的作为初始全局模型。第二部分：将ti时间段的初始全局模型分发至各数据源，并进行训练得ti时间段的本地模型，再使用stacking集成算法集成本地模型，得ti时间段最有效的更新的全局模型。第三部分：各数据源使用RSA加密算法产生256 B的密钥对，将其公钥传输至可信第三方，ti时间段的初始全局模型使用公钥加密并传输至各数据源，各数据源使用私钥解密并进行训练。第四部分：可信的第三方使用ECDSA数字签名算法产生密钥对，将其私钥传输至各数据源，公钥传输至对应的区块中，各数据源使用私钥对ti时间段的初始全局模型参数、本地模型参数、更新的全局模型参数进行签名并传输至对应的区块，区块使用公钥进行验证并存储相应的数据块中。因随机森林、朴素贝叶斯、神经网络三种模型具有随机性，所以本文将每种初始模型迭代100次，计算其平均值及方差来衡量初始模型的性能，表1反映了初始模型在4个数据源的历史数据上的性能。