一种智能法律合约驱动的联邦学习数据授权和执行方法

摘要

在数字经济时代，数据已成为社会创新的核心生产要素.联邦学习具有“数据不动、模型动”的特点，推动了数据使用方式从“数据集中共享”向“模型协同计算”数据要素流通方式的转型，然而，现有将区块链与智能合约应用于联邦学习的工作多侧重于数据溯源和激励机制，在法律责任界定上仍缺乏有效的“法链结合”数据确权、合约执行监督、和权益分配机制.针对这一问题，本文提出了一种智能法律合约驱动的联邦学习数据授权和执行方法，构建了基于智能法律合约SPESC语言的联邦学习监督架构，通过合约条款对联邦学习任务的执行进行发布、分配与监控.该架构中的授权与执行管理平台通过数据授权模块对数据授权合约模板实现“要约–承诺–执行–仲裁”的数据要素全链条管理，其优势在于：结合去中心化标识和区块链技术对合约当事人进行身份认证，并采用可自动执行的合约条款进行数据授权，同时设计了违约和仲裁条款对数据确权和权益分配进行监督，确保不同主体间数据使用权与经营权的合规性，其中的联邦计算模块通过合约模板对联邦系统中的计算任务进行配置，并实现对执行权责的监督.实验结果表明，在相同的训练轮数下本文方法较传统方法模型准确率提升了约5%，并在30轮内达到98%的收敛准确率.实验验证了数据授权合约中数据授权条款的自动执行与链上追溯，确保了联邦学习中的身份合规性与授权透明性，并设计了针对参与节点间的联邦计算合约模板，通过该模板对节点选择算法进行性能分析，结果表明算法的模型训练较稳定，收敛速度较快，研究为推动数据要素市场数字化转型提供了一种新的思路.

关键词

联邦学习 / 智能法律合约 / 数据授权 / 数据流通 / 区块链

基金资助

北京市自然科学基金资助项目（M23017）