去中心化、隐私保护、激励兼容的数据市场D2M用于协作学习
密码学与安全
2025-12-12 v1 人工智能
分布式、并行与集群计算
机器学习
摘要
协作机器学习和数据分析日益增长的需求呼tails需要安全且去中心化的数据共享框架，以平衡隐私、信任和激励。现有方法，包括联邦学习和基于区块链的数据市场，远远不够：联邦学习常依赖受信任的聚合器且缺乏抗拜占醒鲁棒性，而基于区块链的框架在计算密集型训练和激励集成方面受限。我们提出了\prot，一个去中心化的数据市场，将联邦学习、区块链仲裁和经济激励统一集成到一个用于隐私保护数据共享的单一框架中。\prot\通过区块链智能合约允许数据买家提交基于拍卖的请求，该合约管理拍卖、escrow和争议解决。计算密集型训练委托给\cone\（计算执行网络）进行离线分布式执行。为防止对抗行为，\prot\集成了修改的YODA协议，用于指数增长的执行集以实现韧性共识，并引入纠正的OSMD以缓解卖家的恶意或低质量贡献。所有协议都是激励兼容的，我们的博弈论分析表明诚实是占主导策略。我们在以太坊上实现\prot\，并在MNIST、Fashion-MNIST和CIFAR-10基准数据集上进行评估，模拟各种对抗设置。\prot\在MNIST上实现最高99%的准确率，在Fashion-MNIST上达到90%，在30%拜占醒节点时仍保持低于3%的性能下降，在CIFAR-10上达到56%准确率尽管其复杂性较大。我们的实验结果表明，\prot\确保了隐私，在对抗条件下保持鲁棒性，并且随参与者数量的增加而有效扩展，成为实际去中心化数据共享的可行基础。
引用
@article{arxiv.2512.10372,
title = {D2M: A Decentralized, Privacy-Preserving, Incentive-Compatible Data Marketplace for Collaborative Learning},
author = {Yash Srivastava and Shalin Jain and Sneha Awathare and Nitin Awathare},
journal= {arXiv preprint arXiv:2512.10372},
year = {2025}
}