本研究提出了一种基于区块链的框架，通过智能合约共同构建数据集并持续更新模型，使其在公共场所免费使用，并采用金融和非金融激励机制以保证数据的准确性。

Jul, 2019

通过使用区块链技术存储数据并利用智能合约自动化机器学习流程，提出了一种可信机器学习系统的统一分析框架，并在其中构建了三个核心机器学习算法的实现，包括服务器层实现、流媒体层实现和智能合约实现。此外，该研究还提出了利用特殊的二进制数据格式在设备边缘部署的流媒体层上运行机器学习模型的新方法和一种可增强样本的综合数据生成方法，可以有效解决部分应用程序所需的训练数据量不足的问题。

Aug, 2019

本文提出使用区块链技术来构建可信赖机器学习系统，并使用智能合约实现自动化的机器学习过程，从而解决现有数据库不可信、难以自动化的问题。本文的三个贡献是建立了机器学习技术和区块链技术之间的联系，提出了使用区块链技术的可信机器学习的统一分析框架，并使用关联规则挖掘为例来展示如何应用于社会问题的分析。

Mar, 2019

本文提出了一种将增量学习矢量量化算法（XuILVQ）与以太坊区块链技术结合，以促进分布式环境中的安全高效数据共享、模型训练和原型存储的新型物联网解决方案。通过一系列实验评估我们的系统性能，展示了其在物联网环境中提高机器学习任务准确性和效率的潜力。

Nov, 2023

提出一种通过区块链和智能合约实现的数据中心联邦学习架构，其中包含一个虚拟的公共市场，提供高质量的数据以供训练，通过激励机制提高数据质量和完整性，该架构有助于提高训练数据集的增长速度和模型准确性。

Jun, 2022

该研究论文提出了一个综合框架，结合了区块链、智能合约和星际文件系统，通过在联邦学习中整合数据信任，以便安全地共享数据并提供激励、访问控制机制和惩罚任何不诚实的行为，实验证明该模型在提高联邦学习模型的准确性的同时确保数据共享过程的安全和公平性；论文还介绍了一种分散化的联邦学习平台，成功地使用区块链技术在 MNIST 数据集上训练了一个 CNN 模型，这个平台使多个工作器能够同时训练模型，同时保护数据的隐私和安全性，分散化的架构和区块链技术的应用允许工作器之间进行高效的通信和协作，该平台具备促进分散化机器学习并支持各个领域隐私保护合作的潜力。

Jul, 2023

提出了一种基于区块链的可靠人工智能网络 (BRAIN)，旨在确保大型模型的可靠推理和培训，通过独特的二阶段交易机制实现了高吞吐量的推理，有效地解决了基于区块链的解决方案对大规模模型的慢速推理和低效的训练验证的问题。

May, 2023

这项研究提出了一种结合联邦学习和区块链的实用方法，用于构建一个分散化的车辆网络，以解决互联车辆系统中的数据隐私和安全问题，并展示了相比常规的分散化联邦学习技术，该方法在车辆网络的性能和安全性方面显著提升。

Nov, 2023

使用区块链技术，创建智能合约以通过交换奖励来训练特定数据集的机器学习模型，这为各方提供了直接获取好的机器学习模型的市场，取代传统 AI 解决方案的需求。

Feb, 2018

基于区块链的市场 ——“PredictChain”，用于解决有限访问、预测机器学习模型和数据分享方面的挑战。通过该市场，用户可以上传数据集来训练机器学习模型，请求对先前上传的数据集进行模型训练或查询训练好的模型，并由区块链网络中的节点提供计算资源以便操作这些模型，以满足不同特点、如成本、速度、简单性、性能和成本效益等的原型机器学习模型需求。这种去中心化的方法赋予用户开发改进模型的能力，促进数据共享，并减少对集中式云提供商的依赖。

Jul, 2023