Ujifunzaji shirikishi huruhusu watumiaji au taasisi kufundisha modeli kwenye vifaa vyao bila kutuma data zao kwa seva kuu. Hata hivyo, katika ujifunzaji shirikishi wa kawaida, kuunganisha masasisho ya modeli ya ndani bado hufanywa na seva kuu. Hali hii inaweza kusababisha washiriki kuondolewa kwenye mfumo, kuwepo kwa sehemu moja ya hitilafu na malipo katika mifumo ya ujifunzaji shirikishi yenye zawadi kubaki chini ya mamlaka moja.

Utafiti huu unapendekeza usanifu wa dhana unaohamisha uratibu wa ujifunzaji shirikishi kwa mikataba mahiri inayofanya kazi juu ya blockchain na unaotumia Multi-Task Peer Prediction (MTPP) ili kuwahamasisha washiriki kufanya mafunzo kwa uaminifu. Blockchain hutumiwa kwa usajili, uratibu, malipo, baadhi ya shughuli za kujumlisha na rekodi zinazoweza kukaguliwa, huku mifumo ya hifadhi ya nje ya mnyororo kama IPFS ikitumika badala ya kuandika data kubwa moja kwa moja kwenye mnyororo.

Lengo kuu la pendekezo hili ni kuunda utaratibu mwepesi zaidi wa kuwazawadia washiriki bila kuhitaji mbinu ghali kama thamani ya Shapley kwa kupima mchango. MTPP huangalia uhusiano kati ya matokeo ya washiriki tofauti badala ya kulinganisha ripoti za washiriki na “jibu sahihi” linalojulikana. Kwa njia hii, mfumo unalenga kufanya tabia ya kutoa taarifa za kweli na zenye maarifa kuwa na faida zaidi kiuchumi.

Hata hivyo, kazi hii haiwasilishi mfumo uliotekelezwa na kupimwa utendaji wake. Gharama halisi ya miamala kwenye blockchain, uwezekano wa kupanuka, ucheleweshaji, mzigo wa hifadhi na athari zake kwa mafunzo ya modeli bado hazijathibitishwa kwa majaribio.

Je, ujifunzaji shirikishi tayari si usiohitaji kituo kimoja?

Ujifunzaji shirikishi hutofautiana na modeli ya ukusanyaji wa data wa kati kwa sababu data ya mafunzo haitoki kwenye kifaa cha mtumiaji. Washiriki hufundisha modeli ndani ya data zao na hutuma tu masasisho ya modeli kwa mfumo wa kati.

Hata hivyo, katika usanifu wa kawaida bado kuna seva kuu inayounganisha masasisho hayo. Hivyo, ingawa data haikusanywi katikati, uratibu wake si wa kimfumo kabisa usio na kituo kimoja.

Kielelezo 1 katika ukurasa wa 2 wa utafiti kinaonyesha tofauti hii moja kwa moja. Katika ujifunzaji shirikishi wa jadi, vifaa hufundisha modeli zao za ndani, hutuma masasisho kwa seva kuu, seva huunda modeli ya kimataifa na kuisambaza tena kwa vifaa. Katika muundo unaopendekezwa wa blockchain, hifadhi, kujumlisha, uratibu na malipo yanalengwa kufanywa kupitia mikataba mahiri na miundombinu ya blockchain.

FedAvg hutatua tatizo gani?

Makala yanatoa Federated Averaging — FedAvg kama mfano mkuu wa mbinu inayotumika sana katika ujifunzaji shirikishi. Kwa vigezo vya modeli ya kimataifa θ, kazi lengwa inaelezwa kama ifuatavyo:

arg min_θ Σ_i (|S_i| / |S|) f_i(θ)

Hapa f_i ni kazi ya hasara ya mshiriki wa i; S_i ni faharasa za data za mshiriki huyo; na S ni muungano wa faharasa za data za washiriki wote.

Ingawa muundo huu unasaidia faragha ya data, hautatui moja kwa moja upimaji wa haki wa kiwango cha mchango.

Kwa nini washiriki wanahitaji kulipwa zawadi?

Mshiriki anaweza kuwa na data yenye manufaa kwa modeli ya kimataifa lakini asiwe na haja ya moja kwa moja ya modeli itakayopatikana. Ili mshiriki kama huyo atumie nguvu ya kompyuta, umeme, upana wa mtandao na data yake maalum kushiriki katika mchakato wa mafunzo, motisha ya kiuchumi inaweza kuhitajika.

Hapa kunazuka matatizo mawili ya msingi:

• Tunawezaje kupima mchango?
• Tunawezaje kuhakikisha malipo yanafanywa kwa njia ya upendeleo sifuri na kiotomatiki?

Kwa nini upimaji wa mchango wa kawaida unaweza kuwa ghali?

Makala yanajadili mbinu tofauti za kupima mchango kama ujazo wa data, usahihi wa ndani, gharama, sifa, kura ya wengi, leave-one-out na thamani ya Shapley.

Hususan, thamani ya Shapley inaweza kutoa mkabala wa haki kinadharia, lakini gharama yake ya kihesabu ni kubwa kwa sababu inahitaji kutathmini mchanganyiko mkubwa wa washiriki unaowezekana.

Katika mifumo ya blockchain tatizo hili huwa muhimu zaidi. Sababu ni kwamba mahesabu ya mikataba mahiri na data iliyo juu ya mnyororo yanapaswa kurudiwa kwenye nodi nyingi za blockchain.

Kwa hiyo utaratibu wa motisha ambao waandishi wanatafuta unapaswa kuwa na sifa tatu:

• uwe mwepesi kihesabu,
• uweze kukokotoa zawadi kwa muamala mmoja kadiri iwezekanavyo,
• na uweze kutekelezwa kwa shughuli rahisi zinazofaa mazingira ya blockchain.

Multi-Task Peer Prediction ni Nini?

Multi-Task Peer Prediction (MTPP) ni utaratibu wa crowdsourcing unaolenga kuwahamasisha washiriki kutoa taarifa zenye maarifa na za kweli pale ambapo jibu sahihi halijulikani na mfumo. Wazo kuu la mfumo ni kutathmini uhusiano kati ya ripoti za washiriki tofauti badala ya kulinganisha matokeo ya mshiriki mmoja na “ground truth” ya kati.

Katika ujifunzaji shirikishi, lengo si kutoa ripoti pekee bali kufanya kitendo cha kufundisha modeli kwa kweli na kisha kutuma matokeo yaliyopatikana kwa uaminifu kuwa chaguo lenye faida zaidi kiuchumi kwa mshiriki.

Task, signal na report vinamaanisha nini?

Makala yanafafanua dhana tatu za msingi ili MTPP ihamishwe katika ujifunzaji shirikishi.

Task: Kazi ambayo mshiriki anatakiwa kutekeleza. Kwa mfano uainishaji wa picha au kupata vigezo vinavyofaa vya mtandao wa neva.

Signal: Taarifa anayopata mshiriki anapotekeleza kazi kwa kweli. Katika uainishaji wa picha hii inaweza kuwa lebo ya utabiri.

Report: Matokeo ambayo mshiriki anaripoti kwa mfumo.

Iwapo mshiriki anaripoti taarifa ya kweli ya signal, anakuwa mwaminifu. Ikiwa anatuma matokeo ya kubahatisha bila mafunzo au anaiga matokeo ya washiriki wengine, utaratibu unapaswa kufanya tabia hiyo isiwe na manufaa kiuchumi.

Tabia ya informed-truthful ina maana gani?

Katika utafiti, utaratibu unaolengwa unaelezewa kuwa ni muundo ambao malipo yanayotarajiwa ya mkakati wa kuwa na maarifa na kusema kweli ni angalau makubwa kama ya mikakati mingine.

Kwa upande wa ujifunzaji shirikishi, lengo ni kufanya tabia ya mafunzo halisi ya modeli + taarifa za kweli kuwa ya kiuchumi na yenye mantiki kwa mshiriki binafsi.

MTPP hupimaje washiriki wawili?

Kwa mujibu wa maelezo ya jumla ya makala, mchakato wa MTPP unafuata mantiki hii:

1. Washiriki hupewa kazi za pamoja.
2. Kazi zingine hugawanywa kama “bonus tasks”, na zingine kama “penalty tasks” zisizokinzana.
3. Malipo hukokotolewa kwa kutumia tofauti ya alama kati ya kazi za bonus na penalty.
4. Malipo katika kazi zote za bonus huunganishwa ili kupata zawadi ya jumla.

Lengo kuu hapa ni kuzuia ripoti za kubahatisha au zilizonakiliwa zisipate zawadi kubwa kwa utaratibu na kufanya ripoti zenye taarifa halisi ziwe bora zaidi.

Blockchain Inafanya Nini Hasa katika Ujifunzaji Shirikishi?

Utafiti unagawa jukumu la blockchain katika makundi manne makuu: kujumlisha, uratibu, malipo na hifadhi.

Kwa nini kuhamisha kujumlisha kote kwenye mnyororo ni tatizo?

Vigezo vya modeli za ndani vinaweza kutumwa moja kwa moja kwenye blockchain na kuunganishwa na smart contract. Faida yake ni kuondoa sehemu moja ya hitilafu na kufanya michango iweze kukaguliwa.

Lakini gharama inaweza kukua haraka kwa sababu nodi zote za blockchain zinapaswa kurudia hesabu na hifadhi ile ile. Makala yanasisitiza kuwa on-chain aggregation ina mzigo wa hifadhi na hesabu ambao ni tatizo muhimu la kupanuka.

Kwa hiyo, mbinu kama Federated Distillation au miundo ya blockchain ya tabaka mbili inayotenganisha tabaka la mahesabu na la makubaliano inajadiliwa kama mikakati ya kupunguza tatizo.

Je, blockchain inaweza kuwa mratibu?

Ndio. Makala yanasisitiza kuwa blockchain inaweza kutumiwa si kwa kujumlisha uzani wa modeli pekee.

Kwa mfano, mfumo unaweza:

• kuchagua kiongozi kwa nasibu,
• kuendesha utaratibu wa kupiga kura katika mazingira yasiyoaminika,
• kuhifadhi kumbukumbu za washiriki,
• na kuweka rekodi za uthibitishaji wa masasisho ya modeli.

Hivyo, wakati mahesabu mazito yanafanywa nje ya mnyororo, uratibu unaweza kutolewa na blockchain.

Kwa nini sarafu fiche ni sehemu ya usanifu?

Mifumo ya kriptoshilingi inayotegemea blockchain inaruhusu alama ya mchango inayokokotolewa na MTPP kuunganishwa moja kwa moja na utaratibu wa malipo.

Kwa njia hii, kinadharia malipo yanaweza kufanywa:

• bila kutegemea uamuzi wa taasisi kuu,
• kwa mujibu wa sheria zilizowekwa mapema,
• kiotomatiki,
• na kwa namna inayoweza kuthibitishwa

.

Mfumo Unaopendekezwa wa Blockchain + MTPP wa Ujifunzaji Shirikishi Unafanyaje Kazi?

Kielelezo 2 kwenye ukurasa wa 4 wa utafiti kinaonyesha muundo huu kama mlolongo wa hatua nane.

1. Usajili kwenye blockchain

Wateja wanaotaka kujiunga na mfumo hujisajili juu ya blockchain.

Katika mazingira yanayofanana na Ethereum Virtual Machine, mshiriki anaweza kusajili taarifa ya public address na kutia saini muamala kwa private key.

Kulingana na hali ya matumizi, mfumo unaweza kuwa wazi kabisa, kuruhusu washiriki wanaojulikana mapema pekee, au kuhitaji stake ya kiuchumi kutoka kwa washiriki.

2. Mafunzo ya modeli ya ndani

Kila mteja hufundisha modeli kwa kutumia data yake ya ndani. Data haitoki kwenye kifaa.

Hatua hii inahifadhi faida kuu ya faragha ya ujifunzaji shirikishi wa kawaida.

3. Inference juu ya seti ya wazi ya majaribio

Washiriki huzalisha utabiri juu ya public test set ya pamoja.

Kwa mfano, katika kazi ya uainishaji wa picha, mfumo hupata lebo za madarasa ambazo kila mshiriki anatoa kwa picha za majaribio.

4. Kwa nini Hash-Commit inahitajika?

Kwa asili blockchain ni wazi. Mshiriki anaweza kuona matokeo ya wateja wengine kwenye mnyororo na kuyaiga bila kufanya mafunzo.

Ili kuzuia hili, utafiti unapendekeza utaratibu wa commit-reveal.

Mshiriki kwanza huongeza salt ya nasibu kwenye matokeo yake na kutuma hash ya data hiyo iliyounganishwa kwenye blockchain.

Kwa njia iliyorahisishwa:

commit = Hash(report || salt)

Matumizi ya salt yanafanya iwe vigumu zaidi kukisia ingizo kwa brute-force kutoka kwenye hash, hasa pale idadi ya matokeo yanayowezekana ni ndogo.

Kwa nini IPFS inatumika?

Iwapo kiasi kikubwa cha data kitaandikwa moja kwa moja kwenye blockchain, kila nodi itabidi kuhifadhi data hiyo. Hilo huathiri vibaya uwezekano wa kupanuka.

Kwa hiyo utafiti unapendekeza kutumia InterPlanetary File System — IPFS badala ya kuweka data kubwa yenyewe kwenye mnyororo.

Kwenye blockchain inaweza kuhifadhiwa pointer inayotegemea maudhui inayorejea data iliyo kwenye IPFS. Kwa hivyo, mzigo wa hifadhi kwenye mnyororo unapunguzwa.

5. Washiriki wanawezaje kulinganishwa kwa nasibu?

Ili kukokotoa zawadi za MTPP, washiriki wanahitaji kulinganishwa kwa nasibu. Lakini ni muhimu kwamba nasibu hiyo isiweze kudanganywa kwenye blockchain.

Utafiti unapendekeza kutumia Verifiable Random Function ya kugawanywa kama ile ya Chainlink VRF.

Seed ya nasibu inayoweza kuthibitishwa kwa njia ya kriptografia inayozalishwa na VRF inaweza kutumiwa katika kuoanisha washiriki wawili.

6. Nini hutokea katika hatua ya Reveal?

Washiriki waliolinganishwa hufichua kile walichokuwa wamecommit hapo awali:

• pointer ya IPFS,
• na thamani ya salt

kwenye blockchain.

Smart contract huhash tena taarifa hizi na kulinganisha na thamani ya awali ya commit. Kwa hivyo, inaweza kuthibitishwa kwamba mshiriki hajabadilisha matokeo yake baadaye.

7. Zawadi ya MTPP inakokotolewaje?

Smart contract hutumia ripoti za jozi za washiriki zilizochaguliwa kwa nasibu kukokotoa alama za MTPP.

Lengo hapa ni kutumia utaratibu wa zawadi ulio mwepesi zaidi unaotegemea uhusiano wa ripoti badala ya upimaji wa moja kwa moja wa mchango wenye gharama kubwa.

8. Malipo

Katika hatua ya mwisho, inapendekezwa kwamba zawadi zilizokokotolewa zitumwe kiotomatiki kwa akaunti za wateja kwa kutumia kipengele cha kriptoshilingi cha blockchain.

Je, Multi-Task Peer Prediction Inaweza Kuchukua Nafasi ya Thamani ya Shapley kwa Uhakika?

Utafiti huu hauthibitishi hivyo. Faida kuu ya MTPP ni kwamba inapendekeza mkabala tofauti wa motisha unaoweza kupunguza gharama kubwa za kihesabu za mbinu za wazi za kupima mchango kama thamani ya Shapley.

Hata hivyo, waandishi wanasema wazi kwamba mbinu za sasa za MTPP bado zina matatizo yanayopaswa kutatuliwa.

Kwa mfano, mbinu kama Correlated Agreement na Peer Truth Serum zinaweza kuhitaji taarifa pana kuhusu usambazaji wa data. Kukokotoa matrix ya delta inayotumiwa kwa Correlated Agreement pia kunaweza kuwa mzigo mkubwa wa kihesabu.

Kwa hiyo, makala hayafikii hitimisho kwamba “MTPP imetatua kabisa tatizo la kupima mchango.” Badala yake, yanapendekeza utaratibu wa mgombea unaostahili kuchunguzwa kwa tabaka la motisha jepesi zaidi linaloweza kutekelezwa juu ya blockchain.

Mbinu na Matokeo ya Utafiti

Muundo wa utafiti

Utafiti huu si benchmark ya majaribio ya machine learning. Haupimi viwango vya usahihi vya modeli mpya wala TPS, ucheleweshaji, gharama ya gas au matumizi ya nishati ya mtandao wa blockchain.

Mbinu ina hatua tatu kuu:

1. Kuchunguza mbinu za kupima mchango na matatizo yake katika ujifunzaji shirikishi.
2. Kutathmini jinsi blockchain inaweza kutumika kwa kujumlisha, uratibu, malipo na hifadhi katika ujifunzaji shirikishi.
3. Kubuni usanifu wa dhana wa FL usiohitaji kituo kimoja na wenye motisha unaounganisha MTPP na mifumo ya blockchain ya matumizi ya jumla.

Mchango mkuu wa makala ni upi?

Mchango mkuu wa makala si usanifu mpya wa deep learning, bali ni muundo wa mfumo unaounganisha utaratibu wa motisha ya kiuchumi na uratibu unaotegemea blockchain katika mtiririko mmoja wa kazi wa FL.

Muundo unaopendekezwa unalenga:

• kupunguza athari ya mamlaka ya kujumlisha ya kati,
• kuweka sheria za malipo kiotomatiki kwa smart contract,
• kuhamasisha tabia ya washiriki kwa MTPP,
• kufanya uigaji wa baadaye kuwa mgumu kwa commit-reveal,
• kufanya ulinganishaji usio na upendeleo kwa VRF,
• na kupunguza mzigo wa hifadhi wa blockchain kwa IPFS

.

Maelezo ambayo makala yanaunga mkono

• Blockchain inaweza kuchukua baadhi ya kazi za seva kuu katika FL ya kawaida.
• Kriptoshilingi na miundombinu ya smart contract inaweza kutumika kwa mifumo ya malipo ya kiotomatiki.
• MTPP ina uwezo wa kuzalisha motisha kwa kutumia uhusiano wa ripoti za washiriki bila ground truth.
• Suluhisho za hifadhi ya off-chain kama IPFS zinaweza kupunguza gharama ya kurudia data ya blockchain.
• Commit-reveal na VRF zinalenga kupunguza baadhi ya hatari za udanganyifu katika mchakato uliopendekezwa wa motisha.

Maelezo ambayo makala hayaungi mkono

• Mfumo haujajaribiwa kwa kiwango cha uzalishaji kwenye Ethereum halisi au mtandao mwingine wa blockchain.
• Haijaonyeshwa kwamba MTPP ni ya haki zaidi kuliko thamani ya Shapley katika kila hali.
• Hakuna matokeo ya majaribio yanayoonyesha kwamba usanifu uliopendekezwa unaongeza usahihi wa mafunzo.
• Gharama ya gas, throughput, ucheleweshaji, matumizi ya nishati au idadi ya juu ya watumiaji haijapimwa.
• Haijatatuliwa kikamilifu ni mshiriki gani hasa atakayefanya agregesheni ya modeli.
• Haijaonyeshwa kwamba muundo uko tayari kwa matumizi ya uzalishaji.

Vikwazo vikuu vya utafiti

1. Maelezo ya MTPP bado hayajatatuliwa kikamilifu. Taratibu kama Correlated Agreement na Peer Truth Serum zinaweza kuhitaji taarifa kuhusu usambazaji wa data. Kukokotoa matrix ya delta kwa CA pia kunaweza kuwa ghali juu ya mnyororo.

2. Hakuna utekelezaji na jaribio la utendaji. Utendaji halisi utategemea usanifu wa blockchain uliotumiwa, utaratibu wa consensus, idadi ya peer, aina za data za mashine pepe, usimbaji wa data na muundo wa maswali ya IPFS.

3. Uchaguzi wa agregator ni tatizo lililo wazi. Katika mchoro haijabainishwa kikamilifu ni nani atakayefanya agregesheni ya mwisho ya vigezo vya modeli. Waandishi wanasema chaguo kama mshiriki aliyechaguliwa kwa nasibu na oracle, mkabala wa optimistic au kura ya wengi yanaweza kuchunguzwa.

4. Kutokuwa na kituo kimoja kuna gharama. Kuhifadhi na kukokotoa miamala yote ya blockchain katika nodi nyingi kunaweza kuleta gharama ya ziada ya miamala na hifadhi ikilinganishwa na muundo wa kati.

Chanzo na Dokezo la Mbinu

Kichwa asili: Democratizing Federated Learning with Blockchain and Multi-Task Peer Prediction

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

Taasisi za waandishi: Tsinghua University, Fraunhofer HHI, TU Berlin na A*STAR Institute of High Performance Computing.

Chanzo: arXiv.

Kitambulisho cha ArXiv: arXiv:2603.28434v1 [cs.CR].

Tarehe: 30 Machi 2026.

Aina ya kazi: Usanifu wa dhana / muundo wa mfumo / pendekezo la kiufundi linalotegemea fasihi.

Nyanja kuu: Federated Learning, blockchain, incentive mechanisms, smart contracts, Multi-Task Peer Prediction.

Vipengele vikuu vya usanifu: Blockchain registration, local model training, public test set inference, hash-commit, salt, IPFS, VRF oracle, reveal, MTPP scoring na cryptocurrency payment.

Hali ya majaribio: Utafiti hauwasilishi utekelezaji halisi wa blockchain au benchmark ya kiasi ya utendaji.

Kikomo cha tafsiri ya kisayansi: Neno “democratizing” linaonyesha lengo la waandishi la kupunguza utegemezi kwa seva kuu na kutoa mamlaka/malipo yaliyo sawa zaidi kwa washiriki. Bado haijaonyeshwa kwa majaribio kwamba usanifu uliopendekezwa unaweza kupanuka, kuwa wa kiuchumi au wa haki kwa washiriki wote katika mazingira ya dunia halisi.