1.《Blockchain and Federated Learning for Privacy-Preserved Data Sharing in Industrial IoT》
在本文中，作者提出了一种基于许可区块链的不同私有的多方数据模型共享方法。我们没有直接共享原始数据，而是结合了联邦学习算法，将原始数据映射到相应的数据模型中，通过由本地用户进行分布式培训，解决了学习阶段的隐私问题。我们还设计了一个基于区块链的分布式数据共享体系结构，使区块链能够保证数据的检索，并保证模型的精确训练。本文中的主要贡献如下：
1)通过利用联邦学习来建立数据模型，共享数据模型而不是原始数据，将数据共享问题转化为机器学习问题。
2)提出了一种新的区块链授权协作架构，通过分布式多方共享数据，降低数据泄漏风险，数据所有者可以进一步控制共享数据的访问。
3)将差异化隐私融入到联邦学习中，进一步保护数据隐私。我们还评估了我们提出的模型的有效性与基准，开放的真实数据集的数据分类。
2.《Blockchain-based Node-aware Dynamic Weighting Methods for Improving Federated Learning Performance》
提出了基于区块链的联邦学习场景。
提出了基于节点识别的局部学习加权法、根据参与频率和数据量选择节点的方法和根据参与频率加权的方法，以快速稳定收敛学习精度。并比较分析了该方法与传统联邦学习方法在学习速度和稳定性方面的差异。结果表明，该方法在学习速度和稳定性方面优于传统的联邦学习方法。
3.《FLchain: Federated Learning via MEC-enabled Blockchain Network》
提出了一种基于区块链网络的架构，称为“ FLchain”，以增强联邦学习（FL）的安全性。
利用通道的概念来学习FLchain上的多个全局模型。每次全局迭代的局部模型参数作为块存储在特定于通道的分类帐中。
作者将多存取边缘计算(MEC)与区块链网络相结合，提出一套适用于FL的系统模型。FLchain的物理结构包括移动设备和边缘设备。
移动设备使用设备上的数据样本计算本地模型更新。
边缘设备有两个用途。1）它们向资源受限的移动设备提供网络资源。2）它们在FLchain的区块链网络中充当节点。