Ricerca
FedBGS: un approccio basato sulla blockchain all’apprendimento gossip segmentato nei sistemi decentralizzati
L’apprendimento federato a tutela della privacy (PPFL) è un paradigma di machine learning decentralizzato che consente a più partecipanti di addestrare insieme un modello globale senza condividere i…

- arXiv
- 2602.01185
- Pubblicato
- 2026-02-01
- Autori
- Fabio Turazza, Marcello Pietri, Marco Picone, Marco Mamei
Abstract degli autori
L’apprendimento federato a tutela della privacy (PPFL) è un paradigma di machine learning decentralizzato che consente a più partecipanti di addestrare insieme un modello globale senza condividere i propri dati, integrando tecniche crittografiche e di tutela della privacy per rafforzare la sicurezza del sistema complessivo. Questo approccio, incentrato sulla privacy, rende il PPFL particolarmente adatto ad addestrare modelli condivisi nei settori in cui la riservatezza dei dati è una questione cruciale. Nell’apprendimento federato tradizionale (FL), i modelli locali vengono addestrati su dispositivi edge e soltanto gli aggiornamenti dei modelli vengono condivisi con un server centrale, che li aggrega per migliorare il modello globale. Tuttavia, nonostante le tecniche di tutela della privacy appena citate, nella struttura federata classica il server resta un singolo punto di guasto, con conseguenti limiti sia per la sicurezza sia per la scalabilità. Questo articolo presenta FedBGS, un framework completamente decentralizzato e basato sulla blockchain che sfrutta l’apprendimento gossip segmentato tramite l’analisi federata. Il sistema proposto mira a ottimizzare l’uso della blockchain, offrendo al contempo una protezione completa contro ogni tipo di attacco e garantendo privacy, sicurezza e gestione dei dati non-IID negli ambienti federati.
Il riassunto di questo paper è disponibile solo in inglese: leggilo nella pagina inglese.
Leggi il paper originale su arXiv