基于区块链的去中心化联邦学习毒害攻击监测
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
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
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
本文研究了基于区块链的去中心化联邦学习框架，该框架能够防止恶意客户端破坏学习过程，提供自我激励和可靠的学习环境，并将模型聚合过程完全分散化，同时解决了独特的技术问题，并提供了实验结果。
Sep, 2020
通过整合区块链技术来提供更强的安全性、公平性和可扩展性，本文对最近关于区块链与联邦学习整合的研究进行了综述，并分析了相关的好处和挑战，同时提供了对未来研究方向的见解。
Mar, 2024
本文提出了一种基于区块链的安全联邦学习框架，通过构建智能合约，自动执行防御策略，识别恶意攻击参与者，同时采用本地差分私有化技术，有效地防止中毒和成员推断攻击。
May, 2020
本文综述了科学界在采用区块链增强的联邦学习场景下定义隐私解决方案所做的研究工作，包括对联邦学习和区块链的背景进行全面总结，评估现有的整合架构以及确保隐私的主要攻击和可能的对策，最后回顾了应用联邦学习增强的区块链在主要应用场景中取得的成果，为学术界和工业界的从业者提供了有助于提升联邦学习性能的理论和技术，同时指出了在这个新颖且尚未充分开发的领域中的主要挑战和未来方向。
Jan, 2024
本文提出了一种基于区块链技术的联邦学习 (BlockFL) 结构，通过交换和验证本地学习模型更新，实现了在设备上进行机器学习，并利用区块链中的共识机制，无需集中式培训数据或协调。此外，通过考虑通信、计算和共识延迟，分析了 BlockFL 的端到端延迟模型并表征了最佳块生成率。
Aug, 2018
本研究使用一款模拟工具，研究了使用区块链技术达到去中心化的联邦学习（FLchain）所带来的影响，并探究了信息时效性和账本不一致性这两点对 FL 性能的影响。
May, 2022