[论文解读] A Survey on Decentralized Federated Learning

Edoardo Gabrielli, Di Pietro, Anthony+3 more|arXiv (Cornell University)|Aug 8, 2023

Privacy-Preserving Technologies in Data被引用 21

一句话总结

对去中心化联邦学习（DFL）方法的全面综述，比较传统分布式与基于区块链的方法，并概述挑战与未来方向。

ABSTRACT

Federated learning (FL) enables collaborative training without pooling raw data, but standard FL relies on a central coordinator, which introduces a single point of failure and concentrates trust in the orchestration infrastructure. Decentralized federated learning (DFL) removes the coordinator and replaces client-server orchestration with peer-to-peer coordination, making learning dynamics topology-dependent and reshaping the associated security, privacy, and systems trade-offs. This survey systematically reviews DFL methods from 2018 through early 2026 and organizes them into two architectural families: traditional distributed FL and blockchain-based FL. We then propose a unified, challenge-driven taxonomy that maps both families to the core bottlenecks they primarily address, and we summarize prevailing evaluation practices and their limitations, exposing gaps in the literature. Finally, we distill lessons learned and outline research directions, emphasizing topology-aware threat models, privacy notions that reflect decentralized exposure, incentive mechanisms robust to manipulation, and the need to explicitly define whether the objective is a single global model or personalized solutions in decentralized settings.

研究动机与目标

• 评估去中心化 FL 如何解决中心化编排的局限性。
• 整理并分类现有的 DFL 方法（传统分布式 vs. 基于区块链）。
• 总结在 DFL 中使用的数据集、模型类型、数据分区和共识机制。
• 确定 DFL 在安全性、可扩展性和异质性方面的关键挑战。
• 提出克服当前局限性的有前景的研究方向。

提出的方法

• 按照 PRISMA 指南进行系统文献综述，以识别并筛选 2018–2023 年的 DFL 研究。
• 开发分类法，将方法分为 TD-FL（传统分布式）和 BC-FL（基于区块链）。
• 提取每篇文章的数据点：数据集、模型、分区、架构、性能指标和局限性。
• 对纳入研究的挑战、数据集和实验设置进行定性综合。

实验结果

研究问题

• RQ1 去中心化 FL（DFL）有哪些潜在应用，是否已经解决了集中编排的问题？
• RQ2 在 DFL 研究中使用了哪些数据集和联邦学习设置？
• RQ3 在 DFL 实现中的设计选择有哪些（区块链 vs. 非区块链、数据分区、共识）？
• RQ4 所提出的 DFL 方法的性能和安全特性是什么？
• RQ5 DFL 的主要挑战和未来方向是什么？

主要发现

• DFL 方法分为传统分布式（TD-FL）和区块链基础（BC-FL）方法。
• 探索了多种数据分区情景（水平、垂直、非独立同分布 非 IID、独立同分布 IID），涵盖诸如 MNIST、CIFAR-10、FMNIST 等数据集。
• 基于区块链的 FL 方法引入了额外的共识与完整性机制，以实现去中心化聚合。
• 传统的分布式 DFL 方法使用点对点图、传话（gossip）以及迁移学习技术来实现去中心化。
• 安全性、激励机制和数据异质性仍然是可扩展 DFL 实现的核心挑战。