.png){kind=icon}
返回
Beyond Centralized AI: Blockchain-Enabled Decentralized Learning
.png){kind=icon}
OA
AI
DOI：10.3390/fi18020098.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
集中式人工智能架构的主导地位引发了关于隐私、数据所有权和控制权的重大担忧。这些局限性推动了去中心化学习范式的发展，旨在消除模型训练过程中对中央权威的依赖。虽然联邦学习通过允许分布式训练而不交换原始数据，代表了中间步骤，但它仍然依赖于中心化服务器，可能导致单点漏洞。此外，完全去中心化学习通常面临安全漏洞、缺乏治理以及激励对齐不足的挑战。区块链技术的最新进展为解决这些问题提供了有前景的基础。本文对区块链在安全、共识、智能合约和激励方面的机制级作用进行了系统分析，以支持去中心化学习。通过回顾现有先进方法，本文认为，随着技术能力的持续发展，适当设计的区块链架构有望实现实用、安全且激励兼容的去中心化学习。
Keyword:
blockchain
decentralized learning
privacy-preserving AI
federated learning
incentive mechanisms
consensus mechanisms
smart contracts
期刊
IF:
3.6
论文数:
1.3K
被引数:
6.5K
机构
引用论文
Pandey, S.R.; Nguyen, L.D.; Popovski, P. Fedtoken: Tokenized incentives for data contribution in federated learning. arXiv 2022, arXiv:2209.09775. [Google Scholar] [CrossRef]Pandey, S.R.; Nguyen, L.D.; Popovski, P. Fedtoken: 联邦学习中的数据贡献令牌化激励机制。arXiv 2022, arXiv:2209.09775. [Google Scholar] [CrossRef].png)
IF0
PREAI
分享收藏分享收藏A Survey on Blockchain-Based Federated Learning: Categorization, Application and AnalysisTang, Y.; Zhang, Y.; Niu, T.; Li, Z.; Zhang, Z.; Chen, H.; Zhang, L. 基于区块链的联邦学习综述：分类、应用与分析。Comput. Model. Eng. Sci. (CMES) 2024, 139, 2451–2477. [Google Scholar] [CrossRef]
PREAI
分享收藏FedSM: Semantic-Guided Feature Mixup for Bias Reduction in Federated Learning With Long-Tail Data张, J.; 徐, Y.; 李, S.; 梁F.; 段, H.; 董, Y.; Leung, V.; 胡, X. FedSM: 联邦学习中长尾数据的语义引导特征混合鲁棒性方法用于偏差降低. arXiv 2025, arXiv:2510.27240. [Google Scholar] [CrossRef]
PREAI
分享收藏分享收藏
查看更多内容