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

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

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

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

整合区块链技术和联邦学习以应对隐私合规和用户数据删除请求的需求，该研究论文探讨了传统遗忘方法的不足之处，并介绍了一种将区块链与联邦学习融合的框架，以确保遗忘请求和行动的不可变记录，并提升数据安全性和隐私保护，以及优化数据管理以保证物联网环境中的系统响应能力。

May, 2024

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

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

区块链与联邦学习的综述和展望，介绍了基于区块链的联邦学习的分类、体系结构和应用，并指出了未来研究方向。

Mar, 2024

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

本论文设计了一个基于声誉机制的联邦学习系统，使用区块链和差分隐私等技术保护用户隐私和数据，帮助家电制造商训练机器学习模型以预测用户行为并改善产品和服务。

Jun, 2019