Swarm Learning is a decentralized machine learning framework that leverages blockchain technology to address privacy and security concerns in deep learning models by reducing central dependency, increasing scalability, and enabling secure and private data management.

May, 2024

电力短缺和负荷限制是发展中国家面临的主要问题，主要原因是能源部门管理不善和使用非可再生能源。改善能源管理并增加可再生能源的使用对解决能源危机具有重要意义。本文提出了基于区块链的安全分布式账本技术，用于保证生产者和消费者之间数据交易的透明性、可追溯性和安全性，并提出了用于预测消费者和生产者能源需求的联邦学习模型。实验结果显示，可再生能源已经产生了与其他非可再生能源资源相媲美的更好的结果。

Jul, 2023

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

本研究将脑风暴优化算法集成到蜂群学习框架中，名为 BSO-SL。该方法在医疗领域中应用深度学习技术，通过蜂群学习实现医疗图像分类任务的隐私保护及模型效果的提升。实验证明了该方法的有效性。

Apr, 2024

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

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

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

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

本文提出了一种利用智能合约系统，从多个节点的本地人工神经网络模型获得中间表示并在主机节点上联合训练的机制，以在已分布的数据上进行深度学习模型训练（以银行贷款预测为例），从而避免共享和连接实际数据值。

Nov, 2020

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