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

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

本项目提出了一种基于区块链和智能合约的去中心化机器学习激励机制，为设备提供激励并检查反馈学习架构行为，从而实现去中心化和机会式学习。

Apr, 2023

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

该研究论文提出了一个综合框架，结合了区块链、智能合约和星际文件系统，通过在联邦学习中整合数据信任，以便安全地共享数据并提供激励、访问控制机制和惩罚任何不诚实的行为，实验证明该模型在提高联邦学习模型的准确性的同时确保数据共享过程的安全和公平性；论文还介绍了一种分散化的联邦学习平台，成功地使用区块链技术在MNIST数据集上训练了一个CNN模型，这个平台使多个工作器能够同时训练模型，同时保护数据的隐私和安全性，分散化的架构和区块链技术的应用允许工作器之间进行高效的通信和协作，该平台具备促进分散化机器学习并支持各个领域隐私保护合作的潜力。

Jul, 2023

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

本文研究了将FL的协调工作外包到区块链等民主网络中所造成的模型陈旧和不一致对异步设备训练过程的影响，并通过仿真评估了区块链的FL运作在著名的CIFAR-10数据集上的准确性和及时性。结果表明，模型不一致对模型的准确性有很大影响（预测准确性降低了约35%），这凸显了根据基本FL应用特性来合理设计区块链系统的重要性。

Oct, 2023

本研究针对健康数据主权和人工智能在医疗领域利用中因数据碎片化而面临的重要挑战，提出了一种理论框架。该框架通过自我主权身份架构、可扩展的联邦学习协议及无信任奖励机制，确保数据控制权掌握在患者手中，同时促进有效的人工智能培训，提升医疗算法的开发潜力。

Aug, 2024

本研究针对医疗数据主权和人工智能在医疗保健中的应用面临的数据碎片化问题，提出了去中心化健康智能网络的理论框架。该框架结合自主身份架构、联邦学习协议及无信任奖励机制，确保健康数据的主权，同时促进有效的AI训练，赋予患者对自身健康数据的控制权，并推动去中心化医疗生态系统的发展。

Aug, 2024

本研究提出了去中心化健康智能网络（DHIN）这一理论框架，旨在解决因健康数据分散导致的数据主权与AI利用的重大挑战。该框架通过自我主权身份架构和可扩展的联邦学习协议，促进健康数据的去中心化管理和AI训练，显著提升患者对健康数据的控制权，推动了医疗体系的转型与创新。

Aug, 2024