Para peneliti mengusulkan gspDAG-FL, sebuah kerangka pembelajaran federasi terdesentralisasi yang aman yang memperoleh konsensus dari riwayat gossip yang sama yang digunakan untuk mendiseminasikan pembaruan model. Sistem ini memungkinkan node untuk bertukar payload hanya dengan tetangga, sementara node penuh merekonstruksi Topology DAG yang ringkas dan menjalankan pemungutan suara virtual bergaya Hashgraph untuk menetapkan finalitas pada tuple asal model yang unik.
- Node bertukar payload model secara eksklusif dengan tetangga, menghindari biaya koordinasi global.
- Node penuh mengumpulkan sertifikat peristiwa dan bukti gossip yang diterima oleh penerima untuk merekonstruksi topologi.
- Kerangka kerja ini menggabungkan validasi payload, validasi bukti yang diterima, dan audit semantik privat sebelum agregasi.
- Eksperimen pada MNIST dan Penn Treebank dengan hingga 100 node menunjukkan kualitas pembelajaran yang mendekati FL ledger berbasis validasi.
- gspDAG-FL mengurangi hambatan koordinasi, meningkatkan throughput, dan mempertahankan deteksi asal tidak valid yang tinggi di bawah partisiasi Byzantine dan malas yang bercampur.
Para penulis menganggap pendekatan ini penting karena memberikan finalitas provenance dan ketahanan terhadap peserta adversarial sambil mempertahankan manfaat lokalitas dari pembelajaran federasi terdesentralisasi.