연구자들은 모델 업데이트의 확산에 사용되는 동일한 고스핑 기록에서 합의를 도출하는 안전하고 분산된 페더레이티드 러닝 프레임워크인 gspDAG-FL을 제안합니다. 이 시스템은 노드가 이웃과만 페이로드를 교환할 수 있도록 하며, 전체 노드는 컴팩트한 Topology DAG를 재구성하고 Hashgraph 스타일의 가상 투표를 실행하여 고유한 모델 원본 튜플에 대한 최종성을 확립합니다.
- 노드는 이웃과만 모델 페이로드를 교환하여 전역 조정 비용을 피합니다.
- 전체 노드는 이벤트 인증서와 수신자 승인된 고스핑 증명을 수집하여 토폴로지를 재구성합니다.
- 이 프레임워크는 페이로드 검증, 승인된 증명 검증 및 집계 전 프라이빗 시맨틱 감사를 결합합니다.
- 최대 100개 노드에 대한 MNIST 및 Penn Treebank 실험은 검증 기반 원장 FL과 유사한 학습 품질을 보여줍니다.
- gspDAG-FL은 조정 병목 현상을 줄이고 처리량을 개선하며 혼합 비잔틴 및 게으른 참여 하에서도 높은 부정한 원본 탐지를 유지합니다.
저자들은 이 접근 방식이 분산형 페더레이티드 러닝의 지역성 이점을 유지하면서 기원 최종성과 적대적 참가자에 대한 복원력을 제공하기 때문에 중요하다고 간주합니다.