本文提出了一种基于区块链的安全联邦学习框架，通过构建智能合约，自动执行防御策略，识别恶意攻击参与者，同时采用本地差分私有化技术，有效地防止中毒和成员推断攻击。

May, 2020

提出了一种区块链辅助的去中心化联邦学习（BLADE-FL）框架，以解决标准FL在模型聚合方面存在的问题，并探讨了懒客户对学习性能的影响及优化方法。

Jan, 2021

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

BEAS 是第一个基于区块链的 N-party Federated Learning 框架，使用梯度剪枝技术提供严格的隐私保障，减少了数据投毒和模型投毒攻击，并采用一种新的协议来防止异构学习环境下的早期收敛。在多个数据集上进行了广泛的实验，显示出与集中式框架相似的准确性和线性的通信和计算成本。

Feb, 2022

本文探讨了基于区块链技术进行联邦学习的安全数据共享平台的性能和安全性，系统地回顾了现有的研究。结论是目前该领域仍有许多值得探究的问题和研究方向。

Jun, 2023

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

借助区块链技术，本研究提出了一种创新方法来解决分布式联邦学习中的可伸缩性和可靠性挑战，通过整合区块链技术来增强参与节点的可信度，同时实现异步功能以实现高效且坚固的模型更新。通过将半集中式联邦学习与区块链相结合，该系统旨在创建一个公平、安全和透明的环境，以促进合作机器学习，同时不损害数据隐私。研究提供了一个全面的系统架构、方法论、实验结果和讨论，展示了这种新方法在促进可扩展和可靠的半集中式联邦学习-区块链系统方面的优势。

Oct, 2023

去中心化联邦学习中的威胁变体、对手、潜在的防御机制、可信度和可验证性的研究。

Jan, 2024

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