Ricerca
DICE: apprendimento federato decentralizzato basato su incentivi per la personalizzazione efficiente & scalabile di modelli preaddestrati in Web3
La personalizzazione dei modelli preaddestrati (PM) per attività a valle richiede dati specifici per ciascuna attività, forniti in abbondanza dalle applicazioni Web3 in rapida espansione.

- arXiv
- 2610.39132
- Pubblicato
- 2026-10-29
- Autori
- Hong Lin, Zhongle Xie, Lidan Shou, Ke Chen, Gang Chen
Abstract degli autori
La personalizzazione dei modelli preaddestrati (PM) per attività a valle richiede dati specifici per ciascuna attività, forniti in abbondanza dalle applicazioni Web3 in rapida espansione. Il federated learning basato su blockchain (BCFL) offre un paradigma sicuro e rispettoso della privacy per personalizzare i PM coinvolgendo partecipanti Web3 mossi dai propri interessi e non fidati. Tuttavia, gli algoritmi BCFL esistenti devono affrontare gravi problemi di efficienza e scalabilità quando vengono applicati a PM di grandi dimensioni, a causa dei loro elevati requisiti computazionali e di memoria e dei limiti hardware di molti partecipanti. Questo articolo presenta DICE, un nuovo algoritmo BCFL che affronta i problemi di efficienza e scalabilità della personalizzazione di PM di grandi dimensioni in Web3 attraverso due serie di tecniche sinergiche: (i) uno schema di apprendimento progressivo dinamico e uno schema di verifica delle porzioni del modello, che consentono a una più ampia gamma di partecipanti onesti, compresi quelli che non sono in grado di eseguire il modello completo, di contribuire alla personalizzazione dei PM, preservando al contempo l’utilità del modello; (ii) un protocollo di consenso del comitato strutturato ad albero e uno schema di incentivi orientato all’efficienza, che affrontano il principale collo di bottiglia che impedisce agli algoritmi BCFL esistenti di scalare fino a coinvolgere un numero maggiore di detentori di dati nella personalizzazione di PM di grandi dimensioni che richiedono molti dati, mantenendo al contempo la sicurezza. L’analisi teorica e gli ampi risultati sperimentali ottenuti personalizzando PM per la visione e il linguaggio dimostrano l’efficienza, l’efficacia e la sicurezza di DICE.
Il riassunto di questo paper è disponibile solo in inglese: leggilo nella pagina inglese.
Leggi il paper originale su arXiv