Konsensus AI Tepi: Pembelajaran Federasi Berbasis Blockchain untuk Jaringan Intelijen Tanpa Kepercayaan

Kontribusi EAC paling baik dipahami sebagai redistribusi kepercayaan daripada penghapusan kepercayaan. Pembelajaran federasi tradisional memusatkan kepercayaan pada server agregasi. EAC menyebarkan kepercayaan itu ke seluruh kumpulan validator berizin, *ledger* yang bukti perusakan, dan fungsi reputasi yang parameternya — tingkat peluruhan $\lambda$, ambang batas penerimaan $\tau$, dan sinyal kualitas $\rho$ — itu sendiri adalah pilihan tata kelola yang harus ditetapkan oleh seseorang. Pembingkaian tanpa kepercayaan akurat sehubungan dengan *peserta*, tetapi sistem masih bertumpu pada asumsi bahwa validator berperilaku baik dan bahwa kontrak pintar ditulis dengan benar. Pengembang harus membaca klaim makalah ini sesuai: bukan "tidak diperlukan kepercayaan," tetapi "tidak diperlukan satu pihak pusat tunggal."

*Overhead* komunikasi 62,5% patut dicermati dalam konteks aplikasi. Untuk penerapan IoT perkotaan padat dengan *backhaul* yang andal, peningkatan 62,5% dibandingkan pembelajaran federasi konvensional kemungkinan dapat diterima, terutama jika ditimbang terhadap biaya regulasi dan kewajiban untuk merutekan semua koordinasi melalui server satu organisasi. Untuk jaringan sensor yang terbatas baterai atau armada kendaraan otonom yang terhubung satelit secara intermiten, *overhead* yang sama mungkin terlalu mahal, dan desain berizin makalah ini — yang membatasi kumpulan validator secara tepat untuk menjaga biaya ini tetap terkontrol — menjadi faktor pembatas pada ukuran klaster.

Hasil heterogenitas sama pentingnya dengan hasil adversari. Formulasi konsensus berbobot secara eksplisit mengkondisikan pengaruh pada reputasi $r_i^{(t)}$ *dan* jumlah sampel lokal $n_i$, yang berarti EAC tidak hanya menyerahkan kendali kepada perangkat mana pun yang memiliki data terbanyak. Perangkat kecil dengan aliran pembaruan berkualitas tinggi yang konsisten dapat mengungguli perangkat besar dengan data bising — perilaku yang sebenarnya diinginkan sebagian besar penerapan AmI, mengingat betapa tidak meratanya sensor didistribusikan melalui ruang fisik.

Batas adversari adalah batasan utama. Ketahanan ditunjukkan terhadap **hingga tiga serangan adversari** dan **hingga 30% peserta berbahaya**. Keduanya adalah jaminan yang berarti tetapi terbatas; serangan terkoordinasi yang dilancarkan oleh koalisi mayoritas, atau infiltrasi lambat yang membangun reputasi selama banyak putaran sebelum menyerang, berada di luar batas yang divalidasi. Rata-rata bergerak eksponensial rekurensi reputasi adalah pertahanan alami terhadap yang terakhir — riwayat panjang sulit dibuat dengan murah — tetapi makalah ini tidak mengukur skenario spesifik tersebut.

Taksonomi pekerjaan ini mencakup beberapa area yang tumpang tindih: **Arsitektur** (desain *edge–chain* berlapis), **Keamanan Siber** (penyaringan adversari, verifikasi pembaruan), **Jaringan** (*overhead* komunikasi pada tautan terbatas), dan **Kriptografi** (verifikasi tanda tangan pembaruan, integritas *ledger* berizin). Konvergensi ini merupakan karakteristik arah penelitian intelijen tanpa kepercayaan, dan inilah mengapa EAC sulit dibandingkan secara langsung dengan *baseline* pembelajaran federasi satu sumbu. Keuntungan yang dilaporkan adalah nyata, tetapi itu adalah keuntungan dalam ruang multi-objektif — akurasi dipertahankan konstan sementara asumsi kepercayaan dilonggarkan — daripada kemenangan efisiensi murni.