本文提出了一种全新的区块链设计，通过 Proof-of-Deep-Learning（PoDL）机制充分回收了区块链所需的能源，用于深度学习计算，以减少能源浪费问题，同时与绝大多数基于哈希函数的 PoW 机制的加密货币兼容，可行性已经得到基准测试和模拟的证明。

Feb, 2019

利用实用的工作证明（PoUW）机制的提案，解决了传统 PoW 和 PoS 机制所面临的能源消耗、安全性和经济性问题，在区块链系统中整合机器学习训练以实现环境友好的解决方案，并提出了一种全新的人工智能时代下的完全去中心化计算能力市场。

Apr, 2024

该研究提出了一种结合人工智能和区块链技术的证明机制，名为 Proof-of-Training（POt），实现了全球状态同步，评估了去中心化训练网络，具有很高的性能潜力。

Jul, 2023

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

本研究提出基于能量回收的共识算法证明，名为联合学习证明，将传统的工作量证明中浪费的能量重新用于联合学习，采用反向对赌数据交易机制和隐私保护模型验证机制保证联合学习过程中的数据隐私保护，并在模拟和真实数据中进行广泛的仿真验证，证明了该算法的高效和有效性。

Dec, 2019

本文提出了一种 E-PoW 共识，它能将 AI 训练中广泛存在的矩阵计算整合到区块挖掘中，以实现共用计算资源，从而提高 6G 系统中并行 AI 训练的效能并节约高达 80% 的计算能力。

Apr, 2021

本文对 Proof-of-learning（一种基于机器学习的训练检查点建立验证机制）进行了形式化分析，发现其存在容易被攻击者欺骗的漏洞，并提出在保护 Proof-of-learning 的真实性方面需要更多地借助密码学的方法。

Aug, 2022

通过对深度学习应用的依赖程度的分析，本文发现目前的进展主要依赖计算能力的提升。然而，这种趋势在经济、技术和环境上都具有不可持续性。因此，要想在这些应用领域取得更进一步的进展就必须依靠更为高效的计算方法，这要么意味着改变深度学习的方法，要么就是使用其他机器学习方法。

Jul, 2020

此研究的目的是实现机器学习中证明训练过程的机制 ——proof-of-learning。作者观察到随机梯度下降算法具有积累秘密信息的性质，并构建了一种自然的证明机制来证明一个实体已经正确地完成了模型参数优化过程，进而保护模型的知识产权。同时，该证明机制也保持了训练过程的可用性，可以在多方争议模型所有权的情况下使用。实验证明，该机制在硬件和软件环境的变化下仍能保持鲁棒性。

Mar, 2021

这篇论文介绍了一种新的推理范式，称为 “POQ（证明质量）”，用于在区块链架构上部署任意大规模的生成模型，通过轻量级 BERT 模型进行质量评估，并设计和实现了 PQML 协议，该协议可用于基于开源模型的实际 NLP 生成模型推理。

May, 2024