gspDAG-FL：通过 gossip 和虚拟投票实现安全的去中心化联邦学习

研究人员提出了 gspDAG-FL，这是一种安全的去中心化联邦学习框架，它利用用于传播模型更新的相同 gossip 历史来达成共识。该系统允许节点仅与邻居交换有效载荷，而全节点则重建紧凑的 Topology DAG 并运行类似 Hashgraph 的虚拟投票，以确立唯一模型来源元组的最终性。

• 节点仅与邻居交换模型有效载荷，避免全局协调成本。
• 全节点收集事件证书和接收者认可的已接受 gossip 证明，以重建拓扑结构。
• 该框架在聚合之前结合了有效载荷验证、已接受证明验证和私有语义审计。
• 在 MNIST 和 Penn Treebank 上针对多达 100 个节点的实验表明，其学习质量接近基于账本验证的 FL。
• gspDAG-FL 减少了协调瓶颈，提高了吞吐量，并在混合拜占庭和懒惰参与下保持对无效来源的高检测率。

作者认为这种方法很重要，因为它提供了溯源最终性并对抗恶意参与者具有弹性，同时保持了去中心化联邦学习的局部性优势。