Resilienza del ML Decentralizzato sotto Maggioranza Avversaria

Un nuovo studio da arXiv (2605.07841) propone un framework basato su incentivi per l'apprendimento automatico decentralizzato quando gli avversari controllano la maggioranza dei nodi worker. I metodi esistenti di aggregazione robusta presuppongono contesti di maggioranza onesta e falliscono in condizioni dominate dagli avversari. Il framework premia i report solo quando sono reciprocamente coerenti entro una soglia, trasformando gli avversari in agenti razionali che bilanciano l'errore di stima con la perdita di ricompensa. Il lavoro esamina l'ottimizzazione iterativa, evidenziando un compromesso tra regole di accettazione permissive che consentono un progresso iniziale più rapido ma ammettono più corruzione, e regole severe che migliorano l'accuratezza ma causano frequenti rifiuti.