Pembelajaran Federasi Terdesentralisasi yang Aman melalui Gossip dan Pemungutan Suara Virtual

Pembelajaran federasi terdesentralisasi (DFL) menghilangkan server pusat dengan membiarkan node bertukar pembaruan model melalui gossip peer-to-peer. Namun, metode berbasis gossip yang ada sering kali tidak memiliki finalitas provenans dan ketahanan terhadap peserta Byzantine atau lazy. Pembelajaran federasi (FL) berbantuan ledger meningkatkan auditabilitas, tetapi blockchain, shard, atau komite penyelesaian dapat memunculkan kembali biaya koordinasi global yang bertentangan dengan lokalitas DFL. Makalah ini mengusulkan **gspDAG-FL**, kerangka DFL aman yang menurunkan konsensus dari riwayat gossip yang sama yang dipakai untuk menyebarkan model. Wawasan kuncinya adalah memisahkan penyebaran model dari konsensus: node hanya bertukar payload model dengan tetangga, sementara full node mengumpulkan sertifikat peristiwa dan bukti gossip diterima yang didukung penerima, merekonstruksi Topology directed acyclic graph (DAG) yang ringkas, lalu menjalankan pemungutan suara virtual bergaya Hashgraph diikuti sertifikat full-node ringkas. Finalitas didefinisikan atas tuple asal model yang unik, bukan keadaan parameter lokal yang identik, yang selaras dengan sifat asinkron dan heterogen DFL. Kerangka ini menggabungkan validasi payload, validasi bukti diterima, dan audit semantik privat sebelum agregasi untuk meningkatkan ketahanan. Penulis memformalkan pengaturan adversarial, membuktikan safety dan conditional liveness pada bidang kendali, serta memberikan jaminan konvergensi untuk certified perturbed gossip di bawah time-varying effective mixing. Eksperimen pada klasifikasi MNIST dan pemodelan bahasa Penn Treebank, dengan data validasi/audit held-out yang adil dan jaringan hingga $N=100$, menunjukkan bahwa gspDAG-FL mencapai kualitas pembelajaran yang mendekati FL ledger berbasis validasi sekaligus mengurangi hambatan koordinasi, meningkatkan throughput, dan mempertahankan deteksi asal tidak valid yang tinggi di bawah partisipasi Byzantine dan lazy yang bercampur.

gspDAG-FL beroperasi melalui arsitektur tiga lapis: penyebaran gossip, konstruksi DAG dan pemungutan suara virtual, serta validasi/audit. Node hanya bertukar payload model dengan tetangga, dan setiap penerima mendukung bukti gossip yang diterima. Full node mengumpulkan sertifikat peristiwa dan bukti-bukti ini untuk merekonstruksi Topology DAG yang ringkas. DAG menangkap hubungan kausal antar peristiwa gossip, memungkinkan pemungutan suara virtual bergaya Hashgraph tanpa pesan voting eksplisit. Pemungutan suara virtual menentukan finalitas tuple asal model: sebuah tuple final jika termuat dalam supermayoritas leluhur DAG. Sertifikat full-node ringkas kemudian mengesahkan finalitas. Bidang kendali menjamin safety dan conditional liveness di bawah kesalahan Byzantine. Untuk ketahanan, tiga langkah validasi diterapkan sebelum agregasi: (1) validasi payload memeriksa integritas dan format pembaruan model; (2) validasi bukti diterima memverifikasi bahwa bukti gossip didukung penerima; (3) audit semantik privat memakai data validasi held-out untuk mendeteksi pembaruan yang tidak valid secara semantik atau teracuni. Aturan agregasi kemudian hanya menggabungkan pembaruan yang tervalidasi. Penulis memformalkan pengaturan adversarial dengan hingga $f$ node bersifat Byzantine dan node lain mungkin lazy. Mereka membuktikan bahwa bidang kendali memenuhi safety (tidak ada dua tuple asal model yang bertentangan yang difinalkan) dan conditional liveness (finalitas tercapai jika jaringan cukup sinkron dan fraksi node Byzantine terbatas). Untuk konvergensi, mereka meninjau certified perturbed gossip di bawah time-varying effective mixing dan menunjukkan bahwa proses pembelajaran konvergen ke lingkungan sekitar model optimal. Matriks pencampuran efektif $W_t$ pada waktu $t$ memenuhi

untuk semua $t$, dengan $\rho$ adalah radius spektral. Laju konvergensi bergantung pada $\lambda$ dan perturbasi akibat pembaruan Byzantine. Arsitektur ini dapat diringkas sebagai berikut: