Vai al contenuto
Crypto.world

Ricerca

Proof of Reasoning per l’apprendimento federato su blockchain ai margini della rete con una maggiore tutela della privacy

I meccanismi di consenso sono al centro di ogni sistema blockchain. La maggior parte di essi, tuttavia, non è pensata specificamente per l’apprendimento federato né contribuisce alla fase di…

Proof of Reasoning per l’apprendimento federato su blockchain ai margini della rete con una maggiore tutela della privacy
arXiv
2601.07134
Pubblicato
2026-01-12
Autori
James Calo, Benny Lo

Abstract degli autori

I meccanismi di consenso sono al centro di ogni sistema blockchain. La maggior parte di essi, tuttavia, non è pensata specificamente per l’apprendimento federato né contribuisce alla fase di aggregazione. Questo articolo presenta Proof of Reasoning (PoR), un nuovo meccanismo di consenso progettato specificamente per l’apprendimento federato basato su blockchain, con l’obiettivo di preservare la privacy dei dati, difendersi dagli attacchi malevoli e migliorare la convalida delle reti partecipanti. A differenza dei meccanismi di consenso blockchain generici comunemente descritti nella letteratura, PoR integra tre processi distinti, concepiti per l’apprendimento federato. In primo luogo, si addestra un autoencoder mascherato (MAE) per generare un encoder che funge da mappa delle caratteristiche e offusca i dati in ingresso, rendendoli resistenti alla ricostruzione da parte di esseri umani e agli attacchi di inversione del modello. In secondo luogo, ai margini della rete si addestra un classificatore downstream, che riceve i dati dall’encoder addestrato. I pesi della rete downstream, un singolo dato codificato, l’output della rete e il valore reale di riferimento vengono quindi aggiunti a un blocco per l’aggregazione federata. Infine, questi dati facilitano l’aggregazione di tutte le reti partecipanti, consentendo metodi di aggregazione più complessi e verificabili di quanto fosse possibile in precedenza. Questo processo in tre fasi produce reti più robuste con una complessità computazionale notevolmente ridotta e mantiene un’elevata accuratezza addestrando ai margini della rete soltanto il classificatore downstream. PoR è applicabile a grandi reti IoT con bassa latenza e una crescita ridotta dello spazio di archiviazione, e si adatta all’evoluzione dei dati, delle normative e delle condizioni della rete.

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

Leggi il paper originale su arXiv