The Ledger
Uno studio rileva che le ricompense ZK hanno aumentato la quota degli aggressori nei test di apprendimento federato
Uno studio ha rilevato che il suo sistema di ricompense in token a tutela della privacy ha assegnato agli avversari simulati una quota maggiore delle ricompense rispetto a una versione che rendeva pubblici i punteggi di qualità. L’articolo segnala anche monopoli degli avversari nelle fasi finali e costi di transazione più elevati per la versione a conoscenza zero.

Filtro per la privacy, quota maggiore agli avversari
Un sistema di ricompense in token a tutela della privacy ha assegnato agli aggressori simulati in media il 24,51% delle ricompense, contro il 10,27% di una versione che rendeva pubblici i punteggi di qualità, riferisce un articolo. I ricercatori affermano che il sistema a conoscenza zero ha prodotto anche una variazione della quota di ricompense degli aggressori 9,8 volte maggiore nei test condotti.
Fonte arxiv.org
Sottoposto ad arXiv l’11 novembre, l’articolo confronta due smart contract in Solidity che emettono token non trasferibili per i contributi all’apprendimento federato. Uno distribuisce le ricompense usando un punteggio di qualità pubblico; l’altro usa una prova a conoscenza zero per verificare che un punteggio raggiunga una soglia senza rivelare il punteggio stesso. L’articolo è stato accettato alla 12th Balkan Conference in Informatics (BCI 2026), dove ha ricevuto il premio per il miglior articolo.
Come è cambiato il punteggio
L’esperimento ha usato 30 client per addestrare un modello LeNet-5 su MNIST per 20 round, selezionando 10 client per round. Cinque avversari hanno inviato gradienti nulli, rumore casuale o aggiornamenti obsoleti, tra gli altri comportamenti, e i ricercatori hanno ripetuto l’esperimento con tre diversi semi casuali. Il contratto a tutela della privacy richiedeva un punteggio di qualità pari almeno a 50.
Gli autori collegano i risultati a una distorsione nel calcolo del punteggio basato sulla similarità coseno. Con il progredire dell’addestramento e la convergenza del modello globale, gli aggiornamenti dei client onesti si riducevano, mentre gli aggiornamenti con rumore potevano comunque superare la soglia fissa. Nell’esecuzione con seed 42, l’avversario basato sul rumore è diventato l’unico partecipante verificato nei round dal 17 al 20 e si è aggiudicato tutti i token coniati in quei round.
Su tutti e tre i semi casuali, il sistema a conoscenza zero ha prodotto una quota media delle ricompense assegnata agli avversari pari al 24,51%, con una deviazione standard di 6,93 punti percentuali. I valori corrispondenti per il contratto con punteggio pubblico erano il 10,27% e 0,71 punti percentuali. L’articolo riferisce inoltre che il coefficiente di Gini delle ricompense dei partecipanti onesti è salito da 0,2171 con il contratto standard a 0,4616 con la versione a conoscenza zero.
Costi e limiti
Le misurazioni del gas riportate nell’articolo indicano 13,0 milioni di gas per il contratto standard nell’arco di un addestramento di 20 round e 16,2 milioni per la versione a conoscenza zero con un verificatore stub. Con un verificatore Groth16 destinato alla produzione, i ricercatori stimano un costo di 29,8 milioni di gas. Il loro modello stima che una singola transazione di distribuzione delle ricompense possa coprire 271 partecipanti con il sistema a conoscenza zero.
Gli autori avvertono che la valutazione ha usato un verificatore stub per isolare i costi del contratto e ha ipotizzato un coordinatore onesto. Non è stata usata l’aggregazione sicura, quindi il coordinatore poteva vedere i gradienti in testo semplice. La prova nasconde i singoli punteggi di qualità, ma, secondo l’articolo, restano osservabili i tempi delle prove on-chain, l’emissione delle ricompense e la distruzione dei token. L’articolo discute possibili misure di mitigazione, tra cui l’aggregazione leave-one-out, soglie dinamiche e il monitoraggio della qualità storica dei partecipanti.
Fonti
- Fonte originale · Preprint Tokenized Reward Systems for Federated Learning: The Privacy vs. Fairness Tradeoff arXiv:2611.16065
Notizie correlate
- L’articolo modella i controlli in fase di esecuzione contro la confusione dei tipi negli smart contract
- Ricercatori testano un sistema Besu per il regolamento privato dell’energia locale
- Un preprint presenta BioBind, protocollo per l’autenticazione biometrica a conoscenza zero
- Un preprint ribattezza LinkDID come Braid, un’architettura d’identità che collega identificatori tra app
- Il preprint GRIDSHIELD propone una compensazione indipendente dall’ordine per lo scambio di energia P2P