Mekanisme Kuantisasi Adaptif untuk Model Pembelajaran Federasi Berbasis Blockchain DAG

Aplikasi Internet of Things (IoT) daya—seperti prakiraan beban daya, deteksi cacat gardu induk, dan respons sisi permintaan—seringkali memerlukan pembelajaran mesin pada data terdistribusi. Komputasi terpusat tradisional kesulitan dalam skenario ini, dan kendala privasi menyulitkan pemusatan data pengguna mentah. Pembelajaran federasi (FL) berbasis blockchain telah muncul sebagai kerangka pembelajaran terdesentralisasi dan terdistribusi untuk sistem IoT yang meningkatkan privasi, menawarkan keuntungan termasuk desentralisasi, skalabilitas, dan privasi data. Namun, mekanisme konsensusnya mengonsumsi sumber daya komputasi yang signifikan, dan model FL modern mengandung jumlah parameter yang berkembang pesat, yang meningkatkan data yang ditransmisikan dan menciptakan beban komunikasi yang besar. Makalah sumber mengatasi kesenjangan ini dengan merancang kerangka FL dalam sistem blockchain berbasis *directed acyclic graph* (DAG) untuk berbagi jaringan FL yang efisien dan terpercaya.

Abstrak melaporkan hasil eksperimen simulasi untuk metode yang diusulkan. Relatif terhadap karya sebelumnya, kerangka FL blockchain DAG dengan kompresi k-means adaptif dan pemilihan tips multi-faktor mengurangi total byte komunikasi dalam sistem pembelajaran federasi berbasis blockchain. Pada saat yang sama, ini menyeimbangkan akurasi model FL, yang berarti pengurangan komunikasi tidak mengorbankan kinerja model yang tidak dapat diterima dalam eksperimen yang dilaporkan. Sumber tidak memberikan nilai numerik spesifik—seperti penghematan byte yang tepat, persentase akurasi, jumlah klien, atau *throughput* blockchain—dalam abstrak. Oleh karena itu, hasil utamanya adalah kualitatif: metode ini mencapai beban komunikasi yang lebih rendah sambil menjaga keseimbangan dengan akurasi model dibandingkan dengan pendekatan sebelumnya.