Vai al contenuto
Crypto.world

Ricerca

D2M: un mercato decentralizzato dei dati che tutela la privacy ed è compatibile con gli incentivi per l’apprendimento collaborativo

La crescente domanda di apprendimento automatico collaborativo e di analisi dei dati richiede sistemi sicuri e decentralizzati per la condivisione dei dati, capaci di bilanciare privacy, fiducia e…

D2M: un mercato decentralizzato dei dati che tutela la privacy ed è compatibile con gli incentivi per l’apprendimento collaborativo
arXiv
2512.10372
Pubblicato
2025-12-11
Autori
Yash Srivastava, Shalin Jain, Sneha Awathare, Nitin Awathare

Abstract degli autori

La crescente domanda di apprendimento automatico collaborativo e di analisi dei dati richiede sistemi sicuri e decentralizzati per la condivisione dei dati, capaci di bilanciare privacy, fiducia e incentivi. Gli approcci esistenti, tra cui l’apprendimento federato (FL) e i mercati dei dati basati su blockchain, presentano dei limiti: l’FL dipende spesso da aggregatori fidati e non offre robustezza rispetto ai nodi bizantini, mentre i sistemi basati su blockchain faticano a gestire l’addestramento ad alta intensità di calcolo e a integrare gli incentivi. Presentiamo \prot\, un mercato decentralizzato dei dati che riunisce apprendimento federato, arbitrato tramite blockchain e incentivi economici in un unico sistema per la condivisione dei dati nel rispetto della privacy. \prot\ consente agli acquirenti di dati di inviare richieste basate su offerte tramite smart contract sulla blockchain, che gestiscono aste, deposito a garanzia e risoluzione delle controversie. L’addestramento ad alta intensità di calcolo è affidato a \cone\ (\uline{Co}mpute \uline{N}etwork for \uline{E}xecution), un livello di esecuzione distribuito off-chain. Per proteggersi dai comportamenti malevoli, \prot\ integra una versione modificata del protocollo YODA, con insiemi di esecuzione che crescono esponenzialmente per ottenere un consenso resiliente, e introduce Corrected OSMD per attenuare gli effetti dei contributi malevoli o di scarsa qualità dei venditori. Tutti i protocolli sono compatibili con gli incentivi e la nostra analisi basata sulla teoria dei giochi dimostra che l’onestà è la strategia dominante. Implementiamo \prot\ su Ethereum e lo valutiamo su dataset di riferimento -- MNIST, Fashion-MNIST e CIFAR-10 -- in diverse condizioni di presenza di soggetti malevoli. \prot\ raggiunge un’accuratezza fino al 99\% su MNIST e al 90\% su Fashion-MNIST, con un calo inferiore al 3\% in presenza di fino al 30\% di nodi bizantini, e un’accuratezza del 56\% su CIFAR-10 nonostante la sua complessità. I nostri risultati mostrano che \prot\ tutela la privacy, mantiene la robustezza in condizioni avverse e scala in modo efficiente all’aumentare del numero di partecipanti, costituendo una base pratica per la condivisione decentralizzata dei dati nel mondo reale.

Il riassunto di questo paper è disponibile solo in inglese: leggilo nella pagina inglese.

Leggi il paper originale su arXiv