O rápido avanço da inteligência artificial depende de grandes quantidades de dados de alta qualidade, no entanto, regulamentos de privacidade de dados cada vez mais rigorosos agravaram o problema dos silos de dados. O aprendizado federado permite o treinamento colaborativo sob proteção de privacidade, trocando parâmetros de modelo em vez de transmitir dados brutos. No entanto, sua arquitetura centralizada tradicional ainda sofre com limitações, como pontos únicos de falha, falta de confiança e incentivos insuficientes. A integração de blockchain e aprendizado federado abre novos caminhos para sistemas de aprendizado de máquina descentralizados, auditáveis e seguros. Este artigo revisa sistematicamente o progresso da pesquisa em aprendizado federado habilitado por blockchain, analisando a evolução tecnológica sob três perspectivas: arquitetura de sistema, mecanismos de incentivo e aprimoramento da privacidade. Além disso, explora desafios críticos, incluindo gargalos de eficiência, sobrecarga de armazenamento e a tensão inherente entre transparência e privacidade, enquanto identifica direções de pesquisa chave para construir sistemas de aprendizado descentralizados escaláveis, eficientes e confiáveis.
Zhu et al. (Qui,) estudaram esta questão.