[论文解读] FWeb3: A Practical Incentive-Aware Federated Learning Framework

Peishen Yan, Shuang Liang+10 more|arXiv (Cornell University)|Feb 28, 2026

Privacy-Preserving Technologies in Data被引用 0

一句话总结

FWeb3 提供一个 Web3 启用、具激励感知的联邦学习框架，具有模块化离线数据平面和链上结算，在开放参与设置中实现低开销和快速上手。

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.

研究动机与目标

• 为开放环境中的激励兼容 FL 定义四条系统级需求：透明结算、在 Web3 约束下的效率、更新安全性，以及可用性/可扩展性。
• 设计一个模块化 FL 框架（FWeb3），将学习与区块链结算解耦，同时实现可验证的激励。
• 提供一个 Web3 支持的架构，具离线数据平面与链上结算，以支持开放参与。
• 在局域网（LAN）与广域网（WAN）场景下展示端到端的激励感知 FL，具有可接受的开销和快速部署/上手。

提出的方法

• 提出四模块 FL 工作流：配置、训练、聚合和贡献评估，并以插件算法实现。
• 用混合数据平面解耦 FL 执行与 Web3 支持，尽量减少链上交互。
• 使用密码学安全保护本地更新，并确保用于激励计算的更新的完整性。
• 实现浏览器原生 DApp 界面，便于参与并为新的聚合/贡献方法扩展提供便利。
• 采用所有者执行（默认）聚合模型，区块链作为审计/结算层，同时支持潜在的委员会执行替代方案。

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

实验结果

研究问题

• RQ1 如何利用 Web3 组件使 OPEN 参与的联邦学习具备激励兼容性？
• RQ2 什么样的模块化架构和数据流设计在确保安全性与可验证性的同时实现最小化开销？
• RQ3 端到端的激励感知 FL 能否在实际网络（LAN/WAN）中实现实际部署与快速上线？

主要发现

• 端到端的激励感知 FL，在广域网中的交易与数据传输开销分别为 21.3% 与 3.4%。
• 在不到 3 分钟内实现零配置部署。
• 用户在不到 1 分钟内完成上手。
• 模块化架构实现训练与结算解耦，保持 FL 的高效性。
• 链上结算记录贡献并通过智能合约自动化奖励分发。
• 支持插件式聚合与贡献评估方法（如 SHAPLEY、Leave-One-Out）。

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