使用去中心化的基于区块链的安全可靠的 FLock 系统，采用分布式账本技术来保护数据隐私并设计了一种新增奖励和惩罚机制以检测和防止恶意客户，并提供激励以确保 FLock 系统中的模型参数上传的诚实性和模型质量

Nov, 2022

提出一种基于区块链和分布式账本技术的安全可靠的联邦学习系统，该系统结合了点对点投票机制和激励 - 惩罚机制来检测和防止恶意行为，理论分析和实证分析表明，该框架抵御了客户端恶意行为。

Jul, 2023

利用区块链和差分隐私技术，提出一种隐私保护的基于区块链的联邦学习模型（PPBFL），以增强联邦学习的安全性并促进节点在模型训练中的积极参与。通过将模型参数存储在 IPFS 中，区块链确保模型参数不会被篡改，并同时采用一种新颖的自适应差分隐私添加算法来保护本地模型和全局模型的隐私，以防止大量本地模型对全局模型安全性的影响。此外，引入了一种新的混合交易机制，以更好地保护本地训练客户的身份隐私。安全分析和实验结果表明，PPBFL 在模型性能和安全性方面优于基线方法。

Jan, 2024

通过消除既有集中式联邦学习范式中汇总本地模型的服务器，将被称为 P2P FL 的方法应运而生，然而，P2P FL 容易受到善意但好奇的参与者和可以发出任意篡改的拜占庭参与者的攻击，本文提出了一种名为 Brave 的协议，以确保 P2P FL 在这两种类型的对手存在下同时保证了拜占庭容错和隐私保留的性质，并通过对 CIFAR10 和 MNIST 数据集上的图像分类任务进行评估，结果表明 Brave 可在对手存在的情况下实现与无对手存在时相当的分类准确性。

Jan, 2024

本文介绍了一种分布式基础设施，用于实现分布式代理之间的点对点信任，从而协同执行保护隐私的机器学习工作流程。使用 Hyperledger Aries，Decentralised Identifiers (DIDs) 和 Verifiable Credentials (VCs) 建立了一个分布式信任体系，促进与心理健康护理相关的联邦学习工作流程。

Jun, 2020

本文提出了一种高效的分散式（点对点）和异步算法来解决个性化模型的学习，同时满足强隐私要求，并证明了它的收敛速率。我们展示了如何使算法往常差异保持私密以保护个人数据集的信息披露，并正式分析了效用和隐私之间的权衡。实验结果表明，在非私密约束下，我们的方法大大优于以前的工作，在隐私约束下，我们可以显著改进在独立学习中得到的模型。

May, 2017

提出了基于区块链的分布式联邦学习（BDFL），利用区块链进行分散化模型验证和审计，包括审核委员会、激励机制、信誉模型和动态网络更新协议。评估结果表明，BDFL 在存在 30％恶意客户端的系统中，通过信誉机制实现了快速模型收敛和高准确性。

Oct, 2023

通过这项工作，我们提出了一种对抗恶意服务器、抵御恶意客户端的点对点学习方案，核心贡献是一个通用框架，使得兼容的模型更新聚合算法能够在服务器和客户端恶意行为的环境下运行。此外，我们展示了我们的方法在由数百个节点对标准数据集训练的百万参数模型上的计算效率。

Oct, 2023

本论文旨在探究如何采用区块链技术，本地差分隐私和零知识证明等前沿技术，构建一个公平、透明、保护隐私的分散式机器学习系统，以有效解决实践中的公正、完整性和隐私问题。

Nov, 2021

本文探讨了基于区块链技术进行联邦学习的安全数据共享平台的性能和安全性，系统地回顾了现有的研究。结论是目前该领域仍有许多值得探究的问题和研究方向。

Jun, 2023