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

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

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

提出了一个针对联邦学习的安全可信的区块链框架（SRB-FL），以应对由于不可靠参与设备、大量训练模型和匿名性等方面导致的挑战，建立一个基于区块链分片的安全联邦学习，确保数据可靠性、可扩展性和可信度，并引入一种激励机制提高 FL 设备的可靠性。实验表明，SRB-FL 框架高效可扩展，是实现联邦学习的一种可行解决方案。

Jan, 2022

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

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

在机器学习系统中，通过联邦学习作为一个安全的分布式机器学习方法，有效提升隐私安全；它利用区块链技术将机器学习模型转移到边缘服务器，通过这种机制保证了集中式和分散式系统的高效处理和数据存储需求，强调可伸缩性、隐私考虑和成本有效的通信。本文对最近的联邦学习应用进行了分析和比较，以评估其效率、准确性和隐私保护。然而，鉴于联邦学习复杂且不断演化的特点，明确需要进一步研究来解决知识间的差距并有效应对该领域面临的挑战。在本文中，我们将最近的文献分为以下几个类别：隐私保护、资源分配、案例研究分析和应用，此外，在每个章节的末尾，我们还对参考文献中提出的开放领域和未来方向进行了总结，为研究人员提供了领域演进的深入视角。

Oct, 2023

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

本文提出一种基于区块链和委员会共识机制的去中心化联邦学习框架（Blockchain-based Federated Learning framework with Committee consensus），以加强联邦学习的安全性，并讨论了框架的可扩展性。

Apr, 2020