Ricerca
AuditFL: un livello di compensazione supportato da contratti per l’apprendimento federato aperto
L’apprendimento federato (FL) mantiene i dati grezzi in locale, ma la maggior parte delle implementazioni si affida ancora a un coordinatore fidato per l’ammissione dei client, la distribuzione dei…

- arXiv
- 2610.41278
- Pubblicato
- 2026-10-30
- Autori
- Alexandros Balla, Spyros Lalis
Abstract degli autori
L’apprendimento federato (FL) mantiene i dati grezzi in locale, ma la maggior parte delle implementazioni si affida ancora a un coordinatore fidato per l’ammissione dei client, la distribuzione dei checkpoint, la raccolta degli aggiornamenti, l’aggregazione e le ricompense. Questo paper presenta AuditFL, un livello di compensazione supportato da contratti per rendere verificabile il FL in contesti aperti. AuditFL mantiene l’addestramento e l’aggregazione off-chain, archivia gli artefatti del modello in un archivio off-chain considerato affidabile e registra on-chain soltanto gli identificatori dei contenuti e lo stato economico. I client prenotano ticket di aggiornamento versando depositi, pubblicano gli identificatori degli aggiornamenti e in seguito possono richiedere rimborsi o ricompense; il coordinatore del task pubblica i checkpoint globali e finalizza i round applicando regole deterministiche di regolamento. Il design non elimina l’aggregatore, ma rende attribuibili, riproducibili, verificabili e soggette a vincoli economici le sue decisioni on-chain sui round. Implementiamo AuditFL sia come prototipo deterministico di macchina a stati, sia come contratto Solidity su una chain Anvil locale compatibile con Ethereum. Su MNIST completo, con partizioni non-IID di Dirichlet, 12 round e fino a 200 client, AuditFL mantiene la traiettoria di apprendimento di Plain FL, mentre il suo overhead segue modelli a forma chiusa del piano di controllo. Con 200 client, l’esecuzione del contratto genera 5.026 transazioni, archivia 2.413 artefatti off-chain (144,9 MiB) e consuma 829,7 milioni di unità di gas EVM, in gran parte a causa delle chiamate per-client di riserva e pubblicazione. Gli stress test controllati di abbandono, aggiornamenti non validi e indisponibilità degli artefatti riducono l’inclusione quasi linearmente, ma consentono comunque di finalizzare i round; le variazioni dell’accuratezza finale restano entro pochi decimi di punto percentuale anche in presenza di tassi elevati di errori introdotti.
Il riassunto di questo paper è disponibile solo in inglese: leggilo nella pagina inglese.
Leggi il paper originale su arXiv