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

使用强化学习方法，将矿机运算量更换为训练神经网络的计算，从而降低了公共区块链网络的能耗，同时促进数据共享和解决普遍问题的 AI 模型设计。

Feb, 2022

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

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

这篇研究提出了一种基于区块链和知识图技术的分散和自适应软件框架，以透明和可靠的方式支持物联网环境之间的知识交换和互操作性。

Apr, 2022

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

通过区块链技术构建的基于数据集、许可证和模型的注册库的人工智能模型训练框架 (IBis)，解决了数据和模型来源、版权合规等问题，实现了迭代模型训练和灵活的许可证检查和续约。

Apr, 2024

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

本文识别了基于基础模型的人工智能系统的八个治理挑战，介绍了区块链作为一种解决方案的潜力，并提出了一个基于区块链的体系结构来实现基于基础模型的人工智能系统的治理。

Aug, 2023