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

OmniLytics 是一个基于区块链的安全数据交易市场，可用于机器学习应用程序。它实现了数据安全、模型安全和模型拥有者分离，同时保证了分布式模型的训练和公平付款。

Jul, 2021

本文介绍了数据中心化思维的重要性和隐私问题、提出了基于合成数据的解决方案，并开发了一种全面的测试方法（DAISYnt），以检验这种方法在高度监管的领域中的可行性和质量，例如金融和医疗保健。

Apr, 2022

本文试图寻求用区块链作为信任引擎的设计原则，通过定性和定量研究的混合方法，讨论了区块链的过去、现在和未来发展方向，并得出了区块链设计原则的三个发现：第一，区块链作为分布式数据库的原始设计原则是否得以实现存在争议；第二，区块链社区的现有分类包括隐私和安全、可扩展性、去中心化、适用性、治理和监管、系统设计及跨链互操作性等方面。在这些分类中，隐私和安全的研究和应用更为突出，其他方面仍有较大的发展机会。最终，我们认为必须通过跨学科综合解决方案来弥合当前区块链设计与真正智能世界信任引擎设计原则之间的差距。

Jan, 2023

本研究对区块链技术在数据共享中的应用进行了全面研究，分析了当前数据共享技术存在的挑战与局限性，并探讨了该技术在不同领域的应用，总结了区块链技术在提升共享数据安全和可靠性方面取得的成果和未来研究方向。

Mar, 2023

合成数据可减少隐私风险并提供更好的隐私保障，但要实现可信的合成数据生成，需要综合考虑算法、贡献者的自治性、去中心化、隐私性和可扩展性等方面。

Oct, 2023

jam-pgm是一种扩展的自适应测量框架，能够在选择公共数据和私有数据之间进行联合，并将公共数据纳入基于图模型的机制，从而在公共数据分布存在偏差时，能够胜过公共辅助和非公共辅助的合成数据生成机制。

Mar, 2024

合成数据在金融应用中日益重要，除了提供改进的金融建模和更好的测试程序之外，它也带来了隐私风险。本文引入了一个“级别”隐私层次结构，用于分类合成数据生成方法和它们提供的逐步改进的保护措施，以评估隐私保护的程度。同时，我们介绍了金融合成数据的概述、使用方式、价值评估、隐私风险和隐私攻击，并详细介绍了“六个级别”的防御措施。

Mar, 2024

OmniLytics+是第一个建立在区块链和智能合约技术上的去中心化数据市场，通过采用零知识（ZK）rollup范式，秘密共享由加密全局模型计算得到的加密本地梯度，与一组不可信的离链服务器合作生成梯度有效性的ZK证明，以在保护隐私的同时提高效率和可负担性。

Apr, 2024

本研究针对数据供应链中缺乏可追溯性和问责性的挑战，提出了“数据材料清单”（DataBOM）概念，以改进数据管理和治理。该方法通过区块链平台记录数据集之间的依赖关系，并确保多利益相关者的透明度和可靠性，从而为复杂的数据环境提供解决方案。研究表明，该结构在可行性和性能方面具有积极影响，有望提升数据使用的问责性。

Aug, 2024