Les chercheurs proposent gspDAG-FL, un cadre d'apprentissage fédéré décentralisé et sécurisé qui tire son consensus de l'historique de gossip utilisé pour diffuser les mises à jour du modèle. Le système permet aux nœuds d'échanger des charges utiles uniquement avec leurs voisins, tandis que les nœuds complets reconstruisent un Topology DAG compact et exécutent un vote virtuel de style Hashgraph pour établir la finalité sur des tuples uniques d'origine du modèle.
- Les nœuds échangent des charges utiles de modèle exclusivement avec leurs voisins, évitant ainsi les coûts de coordination globale.
- Les nœuds complets collectent des certificats d'événement et des preuves de gossip acceptées par le récepteur pour reconstruire la topologie.
- Le cadre combine la validation des charges utiles, la validation des preuves acceptées et une audit sémantique privé avant l'agrégation.
- Les expériences sur MNIST et Penn Treebank avec jusqu'à 100 nœuds montrent une qualité d'apprentissage proche de celle du ledger FL basé sur la validation.
- gspDAG-FL réduit les goulets d'étranglement de coordination, améliore le débit et maintient une forte détection des origines invalides dans un contexte de participation mixte byzantine et paresseuse.
Les auteurs considèrent cette approche importante car elle fournit une finalité de provenance et une résilience face aux participants adverses tout en maintenant les avantages de localité de l'apprentissage fédéré décentralisé.