Federe öğrenme, kullanıcıların veya kurumların verilerini merkezi bir sunucuya göndermeden kendi cihazlarında model eğitmesine imkân verir. Ancak klasik federe öğrenmede yerel model güncellemelerinin birleştirilmesi hâlâ merkezi bir sunucu tarafından yapılır. Bu durum katılımcıların sistemden dışlanabilmesi, merkezi arıza noktası oluşması ve ödüllendirilen federe öğrenme sistemlerinde ödemelerin tek bir otoriteye bağlı kalması gibi sorunlara yol açabilir.

Bu çalışma, federe öğrenmenin koordinasyonunu blockchain üzerinde çalışan akıllı sözleşmelere taşıyan ve katılımcıların dürüst eğitim yapmasını teşvik etmek için Multi-Task Peer Prediction (MTPP) kullanan kavramsal bir mimari önermektedir. Blockchain; kayıt, koordinasyon, ödeme, bazı agregasyon işlemleri ve denetlenebilir kayıt için kullanılırken, büyük verilerin doğrudan zincire yazılması yerine IPFS gibi zincir dışı depolama sistemleri kullanılmaktadır.

Önerinin temel amacı, katkı ölçümü için Shapley değeri gibi pahalı yöntemlere ihtiyaç duymadan katılımcıları ödüllendirebilecek daha hafif bir mekanizma geliştirmektir. MTPP, katılımcıların raporlarını bilinen bir “doğru cevap” ile karşılaştırmak yerine farklı katılımcıların çıktıları arasındaki korelasyona bakmaktadır. Böylece sistemin, bilgili ve dürüst raporlama davranışını ekonomik olarak daha avantajlı hale getirmesi hedeflenmektedir.

Ancak çalışma uygulanmış ve performansı ölçülmüş bir sistem sunmamaktadır. Önerilen mimarinin blockchain üzerindeki gerçek işlem maliyeti, ölçeklenebilirliği, gecikmesi, depolama yükü ve model eğitimi üzerindeki etkileri henüz deneysel olarak doğrulanmamıştır.

Federe öğrenme zaten merkeziyetsiz değil mi?

Federe öğrenme, eğitim verisinin kullanıcı cihazından çıkmaması açısından merkezi veri toplama modelinden farklıdır. Katılımcılar modeli kendi verileri üzerinde yerel olarak eğitir ve yalnız model güncellemelerini merkezi sisteme gönderir.

Ancak klasik mimaride bu güncellemeleri birleştiren bir merkezi sunucu vardır. Bu nedenle veri merkezi olarak toplanmasa bile koordinasyon tamamen merkeziyetsiz değildir.

Çalışmanın 2. sayfasındaki Şekil 1, bu ayrımı doğrudan göstermektedir. Geleneksel federe öğrenmede cihazlar yerel modellerini eğitir, güncellemelerini merkezi sunucuya yollar, sunucu küresel modeli oluşturur ve yeniden cihazlara dağıtır. Önerilen blockchain yapısında ise depolama, agregasyon, koordinasyon ve ödeme gibi işlevlerin akıllı sözleşmeler ve blockchain altyapısı üzerinden yürütülmesi hedeflenmektedir.

FedAvg hangi problemi çözüyor?

Makale, federe öğrenmede yaygın kullanılan Federated Averaging — FedAvg yaklaşımını temel örnek olarak vermektedir. Küresel model parametreleri θ için amaç fonksiyonu şu şekilde ifade edilmektedir:

arg min_θ Σ_i (|S_i| / |S|) f_i(θ)

Burada f_i, i'nci katılımcının kayıp fonksiyonunu; S_i, o katılımcının veri indekslerini; S ise bütün katılımcıların birleşik veri indekslerini temsil etmektedir.

Bu yapı veri gizliliğini desteklese de katkı miktarının adil biçimde ölçülmesini otomatik olarak çözmez.

Katılımcıları neden ödüllendirmek gerekiyor?

Bir katılımcının elinde küresel modele faydalı veri bulunabilir ancak ortaya çıkacak modele doğrudan ihtiyaç duymayabilir. Böyle bir katılımcının işlem gücü, elektrik, bant genişliği ve özel verisini kullanarak eğitim sürecine katılması için ekonomik teşvik gerekebilir.

Burada iki temel problem ortaya çıkmaktadır:

• Katkıyı nasıl ölçebiliriz?
• Ödemenin tarafsız ve otomatik yapılmasını nasıl sağlayabiliriz?

Klasik katkı ölçümü neden pahalı olabilir?

Makale veri hacmi, yerel doğruluk, maliyet, itibar, çoğunluk oyu, leave-one-out ve Shapley değeri gibi farklı katkı ölçüm yöntemlerini tartışmaktadır.

Özellikle Shapley değeri teorik açıdan adil bir yaklaşım sağlayabilse de çok sayıda olası katılımcı kombinasyonunu değerlendirmesi nedeniyle hesaplama maliyeti yüksektir.

Blockchain sistemlerinde bu problem daha önemlidir. Çünkü akıllı sözleşme hesaplamalarının ve zincir üzerindeki verilerin çok sayıda blockchain düğümünde tekrarlanması gerekir.

Bu nedenle yazarların aradığı teşvik mekanizması üç özelliğe sahip olmalıdır:

• hesaplama açısından hafif olmalı,
• ödülü mümkün olduğunca tek işlemde hesaplayabilmeli,
• blockchain ortamına uygun, basit işlemlerle gerçekleştirilebilmelidir.

Multi-Task Peer Prediction Nedir?

Multi-Task Peer Prediction (MTPP), doğru cevabın mekanizma tarafından bilinmediği durumlarda katılımcıları bilgili ve dürüst raporlama yönünde teşvik etmeyi amaçlayan bir crowdsourcing mekanizmasıdır. Sistemin temel fikri, bir katılımcının sonucunu merkezi bir “ground truth” ile karşılaştırmak yerine farklı katılımcıların raporları arasındaki korelasyonu değerlendirmektir.

Federe öğrenmede bunun amacı yalnız raporlama değil, katılımcının gerçekten model eğitimi yapmasını ve ardından elde ettiği sonucu dürüst biçimde göndermesini ekonomik olarak daha avantajlı hale getirmektir.

Task, signal ve report ne anlama geliyor?

Makale MTPP'nin federe öğrenmeye aktarılabilmesi için üç temel kavram tanımlamaktadır.

Task: Katılımcının gerçekleştirmesi gereken görevdir. Örneğin görüntü sınıflandırma veya sinir ağının uygun parametrelerini bulma.

Signal: Katılımcının görevi gerçekten uyguladığında elde ettiği bilgidir. Görüntü sınıflandırmada bu bir tahmin etiketi olabilir.

Report: Katılımcının sisteme bildirdiği sonuçtur.

Katılımcı gerçek signal bilgisini raporluyorsa dürüst davranır. Eğitim yapmadan rastgele sonuç gönderiyorsa veya başka katılımcıların çıktısını taklit ediyorsa mekanizmanın bunu ekonomik açıdan dezavantajlı hale getirmesi gerekir.

Informed-truthful davranış ne demek?

Çalışmada hedeflenen mekanizma, bilgili ve dürüst stratejinin beklenen ödemesinin diğer stratejilerden en az onun kadar yüksek olduğu bir yapı olarak açıklanmaktadır.

Federe öğrenme açısından hedef, gerçek model eğitimi + dürüst raporlama davranışını bireysel katılımcı açısından ekonomik olarak rasyonel hale getirmektir.

MTPP iki katılımcıyı nasıl değerlendiriyor?

Makalenin genel açıklamasında MTPP süreci şu mantığı izlemektedir:

1. Katılımcılara ortak görevler atanır.
2. Bazı görevler “bonus tasks”, bazıları ise birbirleriyle çakışmayan “penalty tasks” olarak ayrılır.
3. Bonus ve penalty görevlerdeki skor farkı kullanılarak ödeme hesaplanır.
4. Bütün bonus görevlerdeki ödemeler birleştirilerek toplam ödül elde edilir.

Buradaki temel amaç, rastgele veya kopyalanmış raporların sistematik olarak yüksek ödül elde etmesini engelleyip gerçek bilgi taşıyan raporların daha avantajlı olmasını sağlamaktır.

Blockchain Federe Öğrenmede Tam Olarak Ne Yapıyor?

Çalışma blockchain'in rolünü dört ana gruba ayırmaktadır: agregasyon, koordinasyon, ödeme ve depolama.

Agregasyonu tamamen zincire taşımak neden sorun?

Yerel model parametreleri doğrudan blockchain üzerine gönderilip smart contract tarafından birleştirilebilir. Bunun avantajı merkezi arıza noktasının ortadan kalkması ve katkıların denetlenebilir hale gelmesidir.

Fakat bütün blockchain düğümlerinin aynı hesaplamayı ve depolamayı tekrar etmesi nedeniyle maliyet hızla büyüyebilir. Makale on-chain agregasyonun depolama ve hesaplama yükünün önemli bir ölçeklenebilirlik sorunu olduğunu vurgulamaktadır.

Bu nedenle Federated Distillation veya hesaplama ve konsensüs katmanlarını ayıran iki katmanlı blockchain yapıları gibi yöntemler olası azaltma stratejileri olarak tartışılmaktadır.

Blockchain koordinatör olabilir mi?

Evet. Makale blockchain'in model ağırlıklarını doğrudan agregasyon dışında da kullanılabileceğini vurgulamaktadır.

Örneğin sistem:

• rastgele lider seçebilir,
• güvensiz ortamda oy mekanizması çalıştırabilir,
• katılımcı kayıtlarını saklayabilir,
• model güncellemelerinin doğrulanmasına ilişkin kayıt tutabilir.

Böylece ağır hesaplamalar zincir dışında yapılırken koordinasyon blockchain tarafından sağlanabilir.

Kripto para neden mimarinin bir parçası?

Blockchain tabanlı kripto para sistemleri, MTPP tarafından hesaplanan katkı skorunun doğrudan ödeme mekanizmasına bağlanmasını mümkün kılmaktadır.

Bu sayede teorik olarak ödeme:

• merkezi bir kuruluşun kararına bağlı kalmadan,
• önceden belirlenmiş kurallara göre,
• otomatik,
• denetlenebilir

biçimde gerçekleştirilebilir.

Önerilen Blockchain + MTPP Federe Öğrenme Sistemi Nasıl Çalışıyor?

Çalışmanın 4. sayfasındaki Şekil 2, önerilen yapıyı sekiz aşamalı bir işlem zinciri halinde göstermektedir.

1. Blockchain'e kayıt

Sisteme katılmak isteyen istemciler blockchain üzerinde kendilerini kaydeder.

Ethereum Virtual Machine benzeri bir ortamda katılımcı public address bilgisini kaydedebilir ve işlemi private key ile imzalayabilir.

Kullanım senaryosuna bağlı olarak sistem tamamen açık olabilir, yalnız önceden bilinen katılımcılara izin verebilir veya katılımcılardan ekonomik stake talep edebilir.

2. Yerel model eğitimi

Her istemci kendi yerel verisini kullanarak modeli eğitir. Veri cihazdan çıkmaz.

Bu aşama klasik federe öğrenmenin temel gizlilik avantajını korumaktadır.

3. Açık test kümesi üzerinde inference

Katılımcılar ortak bir public test set üzerinde tahmin üretir.

Örneğin görüntü sınıflandırma görevinde sistem, her katılımcının test görüntülerine verdiği sınıf etiketlerini elde eder.

4. Neden Hash-Commit gerekiyor?

Blockchain doğası gereği şeffaftır. Bir katılımcı diğer istemcilerin sonuçlarını zincirde görüp eğitim yapmadan onların raporlarını taklit edebilir.

Bunu önlemek için çalışma commit-reveal mekanizması önermektedir.

Katılımcı önce sonucuna rastgele bir salt ekler ve birleşik verinin hash'ini blockchain'e gönderir.

Basitleştirilmiş biçimde:

commit = Hash(report || salt)

Salt kullanılması, özellikle olası sonuç sayısının küçük olduğu durumlarda hash üzerinden girdinin brute-force ile tahmin edilmesini zorlaştırmaktadır.

IPFS neden kullanılıyor?

Büyük miktarda veri blockchain'e doğrudan yazılırsa her düğümün bu veriyi saklaması gerekir. Bu da ölçeklenebilirliği olumsuz etkiler.

Bu nedenle çalışmada sonuçların kendisi yerine InterPlanetary File System — IPFS kullanılması önerilmektedir.

Blockchain üzerinde büyük veri yerine IPFS'teki veriyi tanımlayan içerik tabanlı işaretçi tutulabilir. Böylece zincir üzerindeki depolama yükü azaltılmaya çalışılır.

5. Katılımcılar nasıl rastgele eşleştiriliyor?

MTPP'nin ödül hesaplamasında katılımcıların rastgele eşleştirilmesi gerekir. Ancak blockchain üzerinde rastgeleliğin manipüle edilememesi önemlidir.

Çalışma bunun için Chainlink VRF benzeri merkeziyetsiz bir Verifiable Random Function kullanılmasını önermektedir.

VRF tarafından üretilen kriptografik olarak doğrulanabilir rastgele seed, iki katılımcının eşleştirilmesinde kullanılabilir.

6. Reveal aşamasında ne oluyor?

Eşleştirilen katılımcılar daha önce commit ettikleri:

• IPFS işaretçisini,
• salt değerini

blockchain'e açıklar.

Smart contract bu bilgileri yeniden hash'leyip ilk commit değeriyle karşılaştırır. Böylece katılımcının sonucu sonradan değiştirmediği doğrulanabilir.

7. MTPP ödülü nasıl hesaplanıyor?

Akıllı sözleşme, rastgele seçilen katılımcı çiftlerinin raporlarını kullanarak MTPP skorlarını hesaplar.

Buradaki amaç yüksek maliyetli doğrudan katkı ölçümü yerine rapor korelasyonuna dayalı daha hafif bir ödül mekanizması kullanmaktır.

8. Ödeme

Son adımda hesaplanan ödüllerin blockchain'in kripto para özelliği kullanılarak istemci hesaplarına otomatik biçimde gönderilmesi önerilmektedir.

Multi-Task Peer Prediction Shapley Değerinin Yerini Kesin Olarak Alabilir mi?

Bu çalışma bunu kanıtlamamaktadır. MTPP'nin temel avantajı, Shapley değeri gibi açık katkı ölçüm yöntemlerinin yüksek hesaplama maliyetini azaltabilecek farklı bir teşvik yaklaşımı sunmasıdır.

Ancak yazarlar mevcut MTPP yöntemlerinin de çözümlenmesi gereken sorunları olduğunu açık biçimde belirtmektedir.

Örneğin Correlated Agreement ve Peer Truth Serum gibi yöntemlerde veri dağılımı hakkında kapsamlı bilgi gerekebilir. Correlated Agreement için kullanılan delta matrisinin hesaplanması da hâlâ önemli bir hesaplama yükü oluşturabilir.

Dolayısıyla makale “MTPP bütün katkı ölçüm sorununu çözdü” sonucuna ulaşmamaktadır. Daha çok, blockchain üzerinde uygulanabilecek daha hafif bir teşvik katmanı için araştırılması gereken bir aday mekanizma önermektedir.

Çalışmanın Yöntemi ve Bulguları

Araştırma tasarımı

Bu çalışma deneysel bir makine öğrenmesi benchmark'ı değildir. Yeni bir modelin doğruluk değerlerini veya bir blockchain ağının TPS, gecikme, gas maliyeti ya da enerji tüketimini ölçmemektedir.

Yöntem üç temel adımdan oluşmaktadır:

1. Federe öğrenmede katkı ölçüm yöntemlerinin ve sorunlarının incelenmesi.
2. Blockchain'in federe öğrenmede agregasyon, koordinasyon, ödeme ve depolama amacıyla nasıl kullanılabileceğinin değerlendirilmesi.
3. MTPP + genel amaçlı blockchain sistemlerini birleştiren kavramsal bir merkeziyetsiz ve teşvikli FL mimarisinin tasarlanması.

Çalışmanın esas katkısı nedir?

Makalenin temel katkısı yeni bir deep learning mimarisi değil, ekonomik teşvik mekanizması ile blockchain tabanlı koordinasyonu aynı FL iş akışında birleştiren sistem tasarımıdır.

Önerilen yapı:

• merkezi agregasyon otoritesinin etkisini azaltmayı,
• ödeme kurallarını smart contract ile otomatikleştirmeyi,
• katılımcı davranışını MTPP ile teşvik etmeyi,
• commit-reveal ile sonradan taklit etmeyi zorlaştırmayı,
• VRF ile tarafsız eşleştirme yapmayı,
• IPFS ile blockchain depolama yükünü azaltmayı

hedeflemektedir.

Makalenin desteklediği yorumlar

• Blockchain, klasik FL'deki merkezi sunucunun bazı görevlerini üstlenebilir.
• Kripto para ve smart contract altyapısı otomatik ödeme mekanizmaları için kullanılabilir.
• MTPP, ground truth olmadan katılımcı raporlarının korelasyonunu kullanarak teşvik üretme potansiyeline sahiptir.
• IPFS gibi off-chain depolama çözümleri blockchain'in veri çoğaltma maliyetini azaltabilir.
• Commit-reveal ve VRF mekanizmaları önerilen teşvik sürecindeki bazı manipülasyon risklerini azaltmayı amaçlamaktadır.

Makalenin desteklemediği yorumlar

• Sistem gerçek bir Ethereum veya başka blockchain ağında üretim ölçeğinde test edilmemiştir.
• MTPP'nin Shapley değerinden her durumda daha adil olduğu gösterilmemiştir.
• Önerilen mimarinin eğitim doğruluğunu artırdığına dair deneysel sonuç sunulmamaktadır.
• Gaz maliyeti, throughput, gecikme, enerji tüketimi veya maksimum kullanıcı sayısı ölçülmemiştir.
• Model agregasyonunun tam olarak hangi katılımcı tarafından yapılacağı kesin biçimde çözülmemiştir.
• Yapının üretime hazır olduğu gösterilmemiştir.

Çalışmanın temel sınırlılıkları

1. MTPP ayrıntıları henüz tam çözülmüş değil. Correlated Agreement ve Peer Truth Serum gibi mekanizmalar veri dağılımı hakkında bilgiye ihtiyaç duyabilir. CA için delta matrisinin hesaplanması da zincir üzerinde hâlâ pahalı olabilir.

2. Uygulama ve performans testi yok. Gerçek performans; kullanılan blockchain mimarisine, konsensüs mekanizmasına, peer sayısına, sanal makinenin veri tiplerine, veri kodlamasına ve IPFS sorgu yapısına bağlı olacaktır.

3. Agregatör seçimi açık bir problemdir. Şekilde model parametrelerini nihai olarak kimin agregasyon yapacağı kesinleştirilmemiştir. Yazarlar oracle tarafından rastgele seçilen bir katılımcı, optimistic yaklaşım veya çoğunluk oyu gibi seçeneklerin araştırılabileceğini belirtmektedir.

4. Merkeziyetsizliğin maliyeti vardır. Blockchain üzerindeki bütün işlemlerin çok sayıda düğüm tarafından saklanması ve hesaplanması, merkezi bir yapıya kıyasla ek işlem ve depolama maliyeti doğurabilir.

Kaynak ve Yöntem Notu

Özgün başlık: Democratizing Federated Learning with Blockchain and Multi-Task Peer Prediction

Yazarlar: Leon Witt, Wojciech Samek, Kentaroh Toyoda, Dan Li.

Yazar kurumları: Tsinghua University, Fraunhofer HHI, TU Berlin ve A*STAR Institute of High Performance Computing.

Kaynak: arXiv.

ArXiv kimliği: arXiv:2603.28434v1 [cs.CR].

Tarih: 30 Mart 2026.

Çalışma türü: Kavramsal mimari / sistem tasarımı / literatür temelli teknik öneri.

Ana alanlar: Federated Learning, blockchain, incentive mechanisms, smart contracts, Multi-Task Peer Prediction.

Temel mimari bileşenler: Blockchain registration, local model training, public test set inference, hash-commit, salt, IPFS, VRF oracle, reveal, MTPP scoring ve cryptocurrency payment.

Deney durumu: Çalışma gerçek blockchain uygulaması veya nicel performans benchmark'ı sunmamaktadır.

Bilimsel yorum sınırı: “Demokratikleştirme” ifadesi yazarların merkezi sunucu bağımlılığını azaltma ve katılımcılara daha eşit yetki/ödeme sağlamaya yönelik sistem tasarımı hedefini ifade etmektedir. Önerilen mimarinin gerçek dünyada ölçeklenebilir, ekonomik veya tüm katılımcılar açısından adil olduğu henüz deneysel olarak gösterilmemiştir.