DeRelayL：可持续去中心化中继学习

在大数据时代，大规模机器学习模型在各领域取得了显著进展，推动了重要进步。然而，大规模模型训练需要高额的财务和计算资源，这些资源只有少数科技巨头和资金充足的机构才能负担。在这种情况下，像移动用户这样的普通用户——正是宝贵数据的创造者——常常被排除在大规模模型受益之外。当前获取大规模模型的方法要么限制用户所有权，要么缺乏可持续性。这一不断扩大的差距凸显了迫切需要一种协作模型训练方法，使普通用户能够训练和共享模型。然而，现有的协作模型训练范式，尤其是联邦学习（FL），主要关注数据隐私和基于小组的模型聚合。为此，本文提出了一种新的训练范式，称为去中心化中继学习（DeRelayL），这是一种可持续的学习系统，允许无许可的参与者以中继方式贡献模型训练并共享模型。具体而言，本文介绍了DeRelayL的体系结构和工作流程，设计了激励机制以确保可持续性，并进行了理论分析和数值模拟，以Demonstrate其有效性。