[논문 리뷰] FWeb3: A Practical Incentive-Aware Federated Learning Framework

Peishen Yan, Shuang Liang외 10명|arXiv (Cornell University)|2026. 02. 28.

Privacy-Preserving Technologies in Data인용 수 0

한 줄 요약

FWeb3는 모듈화된 오프체인 데이터 평면과 온체인 정산을 갖춘 Web3 기반의 인센티브 인식 연합학습 프레임워크를 제시하며, 개방 참여 설정에서 낮은 오버헤드와 빠른 온보딩을 달성한다.

ABSTRACT

Federated learning (FL) enables collaborative model training over distributed private data. However, sustaining open participation requires incentive mechanisms that compensate contributors for their resources and risks. Enabled by Web3 primitives, especially blockchains, recent FL proposals incorporate incentive mechanisms for open participation, yet most focus primarily on algorithmic design and overlook system-level challenges, including coordination efficiency, secure handling of model updates, and practical usability. We present FWeb3, a practical Web3-enabled FL framework for incentive-aware training in open environments. FWeb3 adopts a modular architecture that separates FL functions from Web3 support services, decoupling the off-chain training and data plane from on-chain settlement while preserving verifiable incentive execution. The framework supports pluggable aggregation and contribution evaluation methods and provides a browser-native DApp interface to lower the participation barrier. We evaluate FWeb3 in real-world settings and show that it supports end-to-end incentive-aware FL with transaction and data-transfer overheads of only 21.3% and 3.4% in WAN; FWeb3 also deploys from zero configuration in under 3 minutes and enables user onboarding in under 1 minute.

연구 동기 및 목표

• 개방 환경에서 인센티브 호환 FL을 위한 네 가지 시스템 수준 요구사항 정의: 투명한 정산, Web3 제약 하의 효율성, 업데이트 보안, 사용성/확장성.
• 학습과 블록체인 정산을 분리하되 검증 가능한 인센티브를 가능하게 하는 모듈식 FL 프레임워크(FWeb3) 설계.
• 개방 참여를 지원하기 위한 오프체인 데이터 평면과 온체인 정산을 갖춘 Web3 지원 아키텍처 제공.
• 허용 가능한 오버헤드와 신속한 배포/온보딩으로 LAN 및 WAN 설정에서 엔드투엔드 인센티브 인식 FL 시연

제안 방법

• 구성, 학습, 집계, 기여 평가의 네 모듈 FL 워크플로우를 제안하고 플러그인 알고리즘으로 구현.
• 하이브리드 데이터 평면과 최소한의 온체인 상호작용으로 FL 실행을 Web3 지원으로부터 분리.
• 로컬 업데이트를 보호하고 인센티브 계산에 사용되는 업데이트의 무결성을 보장하기 위해 암호학적 보안 사용.
• 참여 용이성과 새로운 집계/기여 방법의 확장성을 위해 브라우저 네이티브 DApp 인터페이스 구현.
• 블록체인을 감사/정산 계층으로 사용하는 소유자 실행(기본) 집계 모델 채택, 잠재적 위원회 실행 대안 가능

Figure 1. End-to-end IPFS transfer throughput for exchanging model updates under CAN and WAN settings.

실험 결과

연구 질문

• RQ1 Web3 원시 기능을 사용하여 개방 참여에서 FL을 어떻게 인센티브 호환적으로 만들 수 있는가?
• RQ2 보안성과 검증 가능성을 유지하면서 오버헤드를 최소화하는 모듈형 아키텍처와 데이터 흐름 설계는 무엇인가?
• RQ3 실제 네트워크(LAN/WAN)에서 실용적 배치와 온보딩으로 엔드투엔드 인센티브 인식 FL을 실현할 수 있는가?

주요 결과

• WAN에서 거래 및 데이터 전송 오버헤드가 각각 21.3%와 3.4%인 엔드투엔드 인센티브 인식 FL.
• 무설정 구성으로 3분 이내 배포 가능.
• 사용자 온보딩은 1분 미만에 완료.
• 모듈식 아키텍처가 학습과 정산을 분리하여 FL 효율성을 보존.
• 온체인 정산이 기여를 기록하고 스마트 계약을 통해 보상 분배를 자동화한다.
• 플러그인 집계 및 기여 평가 방법(SHAPLEY, Leave-One-Out 등)을 지원한다.

Figure 2. Overview of FWeb3 . The framework involves three roles (customer, trainer, and aggregator) and four FL functional modules (configuration, training, aggregation, and contribution evaluation), organized over a Web3 supporting layer with three components (trusted transaction, information comm