Los investigadores proponen gspDAG-FL, un marco de aprendizaje federado descentralizado seguro que deriva el consenso a partir del mismo historial de gossip utilizado para difundir las actualizaciones del modelo. El sistema permite a los nodos intercambiar cargas útiles solo con sus vecinos, mientras que los nodos completos reconstruyen un Topology DAG compacto y ejecutan una votación virtual al estilo Hashgraph para establecer la finalidad sobre tuplas únicas de origen del modelo.
- Los nodos intercambian cargas útiles del modelo exclusivamente con vecinos, evitando los costos de coordinación global.
- Los nodos completos recopilan certificados de eventos y pruebas de gossip aceptadas respaldadas por el receptor para reconstruir la topología.
- El marco combina la validación de la carga útil, la validación de la prueba aceptada y una auditoría semántica privada antes de la agregación.
- Los experimentos en MNIST y Penn Treebank con hasta 100 nodos muestran una calidad de aprendizaje cercana a la del FL basado en ledger con validación.
- gspDAG-FL reduce los cuellos de botella de coordinación, mejora el rendimiento y mantiene una alta detección de orígenes no válidos bajo participación mixta de Byzantine y perezosa.
Los autores consideran este enfoque importante porque proporciona finalidad de procedencia y resiliencia frente a participantes adversarios mientras mantiene los beneficios de localidad del aprendizaje federado descentralizado.