论文主题内容介绍

随着 Web3 与生成式 AI 的融合，用户生成的模型资产（微调模型、LoRA 适配器、数据集、训练流水线等）越来越多地由开放社区协作产出。要让这些资产可流通、可交易，必须做到来源可验证、贡献可归属、跨组织协调可靠，同时数据不集中化。然而即便是算法稳健的方法（如 KD3A），在真实去中心化部署中仍普遍缺乏可审计的协调、故障韧性与可复现的产物谱系——节点频繁上下线、存在对抗行为、系统异构，使训练脆弱、结果难以审计、成本不透明。

为此，论文提出 BlockKD3A——一个链上/链下混合框架，把多源域适应算法 KD3A 工程化落地，核心思路是计算分层：把轻量、可审计的协调任务（参与登记、状态推进、贡献记录）放到链上，重计算（本地训练、知识投票、共识焦点估计、聚合）留在链下，模型产物以内容标识符（CID）锚定到 IPFS 并上链。框架提供三项系统保证：

  1. 可审计协调：智能合约记录训练状态、模型 CID 与基于 Consensus Focus（CF，共识焦点） 的贡献归属，使权重分配可被核验，且无需链上重计算。
  2. 可靠性：事务安全客户端 + 故障感知编排器，引入非负 CF 裁剪与 zero-CF 回退，支持部分参与、不因掉队节点而阻塞。
  3. 可复现性：内容寻址打包 + 统一遥测，将机器学习指标与区块链事件耦合记录，实现可预测的成本审计。
图 1. BlockKD3A 系统架构

实验结果

论文在 Office-Caltech10 与 DigitFive 两个多源域适应基准上，每个目标域运行 40 个 epoch，完成多次端到端部署。结果显示：

  • 接近中心化的精度：Office-Caltech10 宏平均准确率 96.74%、DigitFive 89.40%，全面超越 FedAvg、FedProx、FedBN、SCAFFOLD 等联邦学习基线，并逼近中心化 KD3A 上界。
  • 协调高效、成本可预测：多次部署的每笔 gas 都有界（125,972–298,405），全部实验总成本约 0.0054 ETH，成本随链上状态转移次数近似线性增长。
  • 抗攻击鲁棒：在标签投毒与 Sybil 协同投毒下，CF 归属机制将攻击者权重压制为 0，目标模型仍稳定收敛（准确率保持 0.98 以上）。
图 2. Office-Caltech10 逐 epoch 准确率

BlockKD3A 弥合了去中心化 AI 算法与可靠系统部署之间的鸿沟，证明在保持可验证来源与稳定运行的同时，去中心化协作训练可达到接近中心化的精度，为可验证的用户生成模型资产提供了算法质量、可审计性与可持续经济性兼得的路径。

周子昂个人介绍

  • 研究方向：去中心化协作学习、Web3 与可验证 AI 资产。