arXiv cs.AI· Andreas Sendros, Nikolaos Pavlidis, Vasilios Perifanis, Pavlos S. Efraimidis·· 1 天前AI 评分26
联邦学习代币化奖励系统：隐私与公平性的权衡
Tokenized Reward Systems for Federated Learning: The Privacy vs. Fairness Tradeoff
AI 导读
研究设计并实测了两种基于 Solidity 智能合约的联邦学习奖励分配方案：一种按公开质量分数比例分配，另一种用零知识证明隐藏个体质量分数。
正文 · AI 翻译
摘要：联邦学习（FL）系统日益依赖基于区块链的奖励机制来激励参与，同时保护数据隐私。我们设计并实证评估了两种互补的 Solidity 智能合约用于 FL 奖励分配：第一种按公开披露的质量分数按比例分配奖励，第二种是隐私保护变体，通过阈值条件的零知识（ZK）证明隐藏个体质量分数。两种合约都铸造一种不可转让、用完即焚的代币，以维持无需信任的激励结构。我们通过带有对抗行为的 MNIST 训练评估这两种设计，包括女巫攻击、零梯度和随机噪声，跨越三个独立的随机种子。
我们的结果揭示了密码学隐私与激励公平性之间的根本性权衡。隐私保护架构严格降低了系统鲁棒性，使对手的平均奖励获取量翻倍，同时引入严重的结果方差。这一脆弱性源于余弦相似度评分中的结构性自我包含偏差：随着全局模型收敛，合法梯度更新自然减弱，使其在统计上与有界噪声无法区分。对手利用这一动态系统性地突破 ZK 阈值，触发后期失败级联，最终导致对手对奖励池的绝对垄断以及诚实贡献者的完全排斥。除了一篇形式化这一隐私—女巫抵抗权衡的闭式定理外，我们还通过线性 gas 扩展模型绘制了严格的主网部署边界，明确纳入了 Fusaka 之后的 EIP-7825 每笔交易 gas 上限。最终，尽管在密码学上是安全的，静态阈值 ZK 门控在标准基准上的现实 FL 收敛动态下，作为激励层公平机制是失败的。
| 评论： | 16 页，3 幅图，5 张表。已被第 12 届巴尔干信息学会议（BCI 2026）接收，获最佳论文奖 |
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI）；密码学与安全（cs.CR） |
| MSC 分类： | C.2.4, I.2.6, K.4.4 |
| 引用为： | arXiv:2611.16065 [cs.LG] |
| （或 arXiv:2611.16065v1 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2611.16065 arXiv 颁发的 DOI 通过 DataCite（待注册） |
提交历史
来自：Andreas Sendros [查看邮箱]
[v1]
2026 年 11 月 11 日星期三 22:21:23 UTC（35 KB）
来源：arXiv cs.AI · arxiv.org