AuditFL: un livello di clearing garantito da contratti per l’apprendimento federato aperto

Abstract degli autori

L’apprendimento federato (FL) mantiene i dati grezzi in locale, ma la maggior parte delle implementazioni si affida ancora a un coordinatore fidato per l’ammissione dei client, la distribuzione dei checkpoint, la raccolta degli aggiornamenti, l’aggregazione e le ricompense. Questo paper presenta AuditFL, un livello di clearing garantito da contratti per rendere verificabile l’FL in contesti aperti. AuditFL mantiene l’addestramento e l’aggregazione off-chain, archivia gli artefatti del modello in un archivio di artefatti off-chain considerato affidabile e registra on-chain solo gli identificatori dei contenuti e lo stato economico. I client prenotano ticket di aggiornamento versando depositi, pubblicano identificatori degli aggiornamenti e in seguito richiedono rimborsi o ricompense; il coordinatore del task pubblica checkpoint globali e chiude i round applicando regole di regolamento deterministiche. Il progetto non elimina l’aggregatore, ma rende attribuibili, riproducibili, verificabili e soggette a vincoli economici le sue decisioni on-chain relative ai round. Implementiamo AuditFL sia come prototipo di macchina a stati deterministica sia come contratto Solidity su una blockchain locale Anvil compatibile con Ethereum. Su MNIST completo, con suddivisioni non-IID di Dirichlet, 12 round e fino a 200 client, AuditFL preserva la traiettoria di apprendimento di Plain FL, mentre il suo overhead segue modelli in forma chiusa del piano di controllo. Con 200 client, l’esecuzione del contratto genera 5.026 transazioni, archivia 2.413 artefatti off-chain (144,9 MiB) e consuma 829,7 milioni di gas EVM, perlopiù a causa delle chiamate di prenotazione e pubblicazione per ciascun client. I test di stress con abbandoni controllati, aggiornamenti non validi e indisponibilità degli artefatti riducono l’inclusione in modo pressoché lineare, ma consentono comunque di chiudere i round; le variazioni dell’accuratezza finale restano entro pochi decimi di punto percentuale anche con tassi elevati di fallimento indotti.