ZK-HybridFL：基于零知识证明的混合联邦学习账本
机器学习
2026-03-09 v1 密码学与安全
分布式、并行与集群计算
摘要
联邦学习（Federated Learning）允许在保护数据隐私的前提下进行协作模型训练，但集中式和去中心化方法在可扩展性、安全性和更新验证方面面临挑战。我们提出了ZK-HybridFL，一种安全的去中心化联邦学习框架，将有向无环图（DAG）账本与专用侧链和零知识证明（Zero-Knowledge Proofs, ZKPs）集成，用于隐私保护的模型验证。该框架使用事件驱动的智能合约和 oracle 辅助的侧链来验证本地模型更新，而不暴露敏感数据。内置的挑战机制高效检测恶意行为。在图像分类和语言建模任务的实验中，ZK-HybridFL 在收敛速度、准确率、每plexity 以及延迟方面均优于 Blade-FL 和 ChainFL。它对大比例恶意和空闲节点仍保持稳健，支持亚秒级链上验证且 gas 使用高效，防止无效更新和孤儿式攻击。这使得ZK-HybridFL成为跨越 diverse 环境的去中心化联邦学习的可扩展且安全的解决方案。
引用
@article{arxiv.2601.22302,
title = {ZK-HybridFL: Zero-Knowledge Proof-Enhanced Hybrid Ledger for Federated Learning},
author = {Amirhossein Taherpour and Xiaodong Wang},
journal= {arXiv preprint arXiv:2601.22302},
year = {2026}
}
备注
Accepted for publication in IEEE Transactions on Neural Networks and Learning Systems (TNNLS)