Исследователи предлагают gspDAG-FL, безопасную децентрализованную систему федеративного обучения, которая формирует консенсус на основе той же истории gossip, что используется для распространения обновлений модели. Система позволяет узлам обмениваться полезной нагрузкой только с соседями, в то время как полные узлы восстанавливают компактный Topology DAG и запускают виртуальное голосование по типу Hashgraph для достижения финальности над уникальными корнями происхождения моделей.

  • Узлы обмениваются моделями исключительно с соседями, избегая затрат на глобальную координацию.
  • Полные узлы собирают сертификаты событий и доказательства gossip, одобренные получателями, для восстановления топологии.
  • Система объединяет проверку полезной нагрузки, валидацию одобренных доказательств и приватный семантический аудит перед агрегацией.
  • Эксперименты на MNIST и Penn Treebank с участием до 100 узлов показывают качество обучения, близкое к качеству FL на основе реестра с проверкой.
  • gspDAG-FL снижает узкие места координации, повышает пропускную способность и сохраняет высокую эффективность обнаружения недействительных корней происхождения при смешанном участии византийских и ленивых узлов.

Авторы считают этот подход важным, поскольку он обеспечивает финальность происхождения и устойчивость к злонамеренным участникам, сохраняя преимущества децентрализованного федеративного обучения в плане локальности.