研究者らは、モデル更新の伝播に使用されるのと同じゴシップ履歴から合意形成を行う、安全な分散型フェデレーテッドラーニングフレームワークであるgspDAG-FLを提案した。本システムでは、ノードは近隣ノードとのみペイロードを交換し、フルノードはコンパクトなTopology DAGを再構築してHashgraphスタイルの仮想投票を実行し、一意のモデル起源タプルに関する最終性を確立する。

  • ノードは近隣ノードとのみモデルペイロードを交換し、グローバルな調整コストを回避する。
  • フルノードはイベント証明書と受信者承認済みのゴシップ証明を集約してトポロジーを再構築する。
  • このフレームワークは、ペイロード検証、承認済み証明の検証、集約前のプライベートセマンティック監査を組み合わせている。
  • 最大100ノードでのMNISTおよびPenn Treebankでの実験では、検証ベースのledger FLに近い学習品質が示された。
  • gspDAG-FLは調整のボトルネックを軽減し、スループットを向上させ、混在するビザンチンおよび怠慢な参加下でも高い不正起源検出性を維持する。

著者らは、このアプローチが分散型フェデレーテッドラーニングの局所性の利点を維持しつつ、発生源の最終性と敵対的参加者への耐性を提供するため重要だと考えている。