Pesquisadores propõem o gspDAG-FL, um framework de aprendizado federado descentralizado seguro que deriva consenso a partir do mesmo histórico de gossip usado para disseminar atualizações do modelo. O sistema permite que os nós troquem payloads apenas com vizinhos, enquanto os nós completos reconstruem um Topology DAG compacto e executam votação virtual ao estilo Hashgraph para estabelecer a finalidade sobre tuplas únicas de origem do modelo.
- Nós trocam payloads do modelo exclusivamente com vizinhos, evitando custos de coordenação global.
- Nós completos coletam certificados de eventos e provas de gossip aceitas endossadas pelo receptor para reconstruir a topologia.
- O framework combina validação de payload, validação de prova aceita e auditoria semântica privada antes da agregação.
- Experimentos no MNIST e Penn Treebank com até 100 nós mostram qualidade de aprendizado próxima à do FL baseado em ledger com validação.
- gspDAG-FL reduz gargalos de coordenação, melhora a taxa de transferência e mantém alta detecção de origem inválida sob participação mista de Byzantine e preguiçosa.
Os autores consideram essa abordagem importante porque fornece finalidade de proveniência e resiliência contra participantes adversários, mantendo os benefícios de localidade do aprendizado federado descentralizado.