A Survey on Decentralized Federated Learning

Deze survey biedt een overzicht van decentrale federatieve leermethodes tot begin 2026, classificeert ze in traditionele en blockchain-gebaseerde families, stelt een nieuwe taxonomie voor die gebaseerd is op uitdagingen, en identificeert kritieke onderzoekslacunes en toekomstige richtingen op het gebied van beveiliging, privacy en prikkels.

De kern

Het Grote Leerfeest zonder Hoofdleraar: Een Verhaal over Decentrale Federated Learning

Stel je voor dat er een enorme groep mensen is die allemaal een geheim recept wil leren koken. In de oude manier (standaard Machine Learning) zou iedereen hun ingrediënten naar één grote keuken sturen, waar een hoofdkok (de centrale server) alles samenvoegt, het recept bedenkt en het resultaat terugstuurt.

Het probleem?

1. Eén zwakke schakel: Als de hoofdkok ziek wordt of de keuken platbrandt, stopt het hele proces.
2. Privacy: Je moet je geheime ingrediënten (je data) aan een vreemde geven.
3. Vertraging: Het sturen van tonnen ingrediënten kost veel tijd en energie.

De oplossing: Federated Learning (FL)
Hierbij blijven de ingrediënten thuis. Iedereen kookt een beetje in hun eigen keuken, stuurt alleen het recept (het model) naar de hoofdkok, en die mixt alles samen. Maar... we hebben nog steeds die ene hoofdkok nodig.

De nieuwe revolutie: Decentrale Federated Learning (DFL)
In dit artikel kijken de auteurs naar een nog radicalere oplossing: geen hoofdkok meer. Iedereen kookt in hun eigen keuken en praat rechtstreeks met de buren. Dit noemen ze Decentralized Federated Learning (DFL).

Het artikel is een "overzicht" (survey) van alle nieuwe ideeën die er sinds 2018 zijn bedacht om dit systeem te laten werken. Ze hebben de ideeën in twee grote kampen verdeeld:

Kamp 1: De Buurman-Netwerken (Traditionele P2P)

Stel je een dorp voor waar iedereen met zijn buren praat.

• Hoe het werkt: Je leert van je directe buren. Als je buren een goed recept hebben, neem je dat over. Als je buurman verdwijnt (bijv. verhuist), praat je gewoon met de buren van je buren.
• De uitdagingen:
  • De "Luie Buurman": Sommige mensen doen niets en wachten alleen op het recept van anderen. Hoe stimuleer je ze om mee te werken?
  • De "Valse Buurman": Wat als een buurman een rot recept stuurt om de hele groep te bederven?
  • De "Verkeerde Mix": Als je buren heel anders eten (bijv. veganisten vs. vleeseters), is het lastig om één perfect recept te vinden dat voor iedereen werkt.

Kamp 2: Het Grootboek (Blockchain-based)

Stel je nu een dorp voor waar iedereen een openbaar grootboek heeft.

• Hoe het werkt: Iedereen schrijft op wat ze hebben gedaan in dit boek. Niemand kan het boek later aanpassen. Als iemand een nieuw recept voorstelt, moet het door een groepje vertrouwde mensen (de "miners") worden goedgekeurd voordat het in het boek komt.
• De voordelen: Je kunt precies zien wie wat heeft gedaan. Als iemand liegt, staat het in het boek en kan iedereen het zien.
• De nadelen: Het schrijven in dat boek kost veel tijd en energie. Het is alsof je elke boodschap eerst moet laten stempelen door een ambtenaar voordat je hem mag versturen.

---

Wat is de grote les uit dit artikel?

De auteurs hebben honderden studies onderzocht en komen tot een paar belangrijke conclusies:

1. De "Grootboek"-methode (Blockchain) is misschien te zwaar:
   In het begin dachten veel mensen dat blockchain de oplossing voor alles was. Maar het artikel laat zien dat het vaak te traag en te duur is. De "Buurman-methode" (zonder blockchain) is vaak sneller en slimmer, vooral als het gaat om het oplossen van technische problemen zoals trage internetverbindingen.

2. Er is nog geen "Perfect Recept":
   Er zijn nog veel gaten in de kennis.

   • Veiligheid: Hoe voorkom je dat een groepje boeven samenwerkt om het hele systeem te saboteren?
   • Beloning: Hoe zorg je dat mensen willen meedoen zonder dat je hun privacy schendt? (Bijvoorbeeld: "Ik heb een goed recept, maar ik wil niet dat je weet wat ik eet.")
   • De "Wereldwijde" visie: In een decentraal systeem is er misschien geen één perfect recept voor iedereen. Misschien is het beter om te zeggen: "Voor deze buurt is dit het beste recept, en voor die buurt dat andere."

3. De toekomst:
   De onderzoekers zeggen dat we moeten stoppen met het zoeken naar één grote "hoofdkok" en juist moeten leren omgaan met een wereld vol verschillende, losse netwerken. We moeten slimme systemen bouwen die:

   • Veilig zijn tegen valse buren.
   • Privacy bewaken (je ingrediënten blijven geheim).
   • Mensen belonen voor hun inspanning.
   • Snel werken, zelfs als de internetverbinding slecht is.

Kortom:

Dit artikel is een kaart voor reizigers die willen weten hoe we machine learning kunnen laten werken in een wereld zonder centrale baas. Het zegt: "We hebben twee hoofdwegen (Buurman-netwerken en Grootboeken). De Grootboeken zijn veilig maar traag. De Buurman-netwerken zijn snel maar lastig om veilig te houden. De toekomst ligt in het vinden van de perfecte balans, zodat we samen kunnen leren zonder dat we onze privacy of onze data hoeven in te leveren."

Technische samenvatting

Hier is een gedetailleerde technische samenvatting van het artikel "A Survey on Decentralized Federated Learning" in het Nederlands.

Titel: A Survey on Decentralized Federated Learning (Een Overzicht van Gedecentraliseerd Federatief Leren)

Auteurs: Edoardo Gabrielli, Anthony Di Pietro, Dario Fenoglio, Giovanni Pica, Gabriele Tolomei.
Publicatie: Journal of LaTeX Class Files (Concept voor 2026).

---

1. Het Probleem

Federatief Leren (FL) is een paradigma dat samenwerking bij het trainen van machine learning-modellen mogelijk maakt zonder dat ruwe data gedeeld of gecentraliseerd wordt. Het standaard FL-model echter, dat een centrale coördinator (server) gebruikt, kent fundamentele beperkingen:

• Single Point of Failure: Als de centrale server crasht, stopt het hele systeem.
• Vertrouwens- en beveiligingsrisico's: De server heeft toegang tot alle lokale modelupdates, wat kwetsbaarheden creëert voor aanvallen zoals Model Inversion, Membership Inference en Data Reconstruction. De server kan ook zelf kwaadaardig zijn (model- of data poisoning).
• Schalingsproblemen: De server moet communiceren met miljoenen apparaten, wat leidt tot hoge bandbreedtegebruik, latentie en computebelasting.

Gedecentraliseerd Federatief Leren (DFL) lost dit op door de centrale coördinator te verwijderen en te vervangen door een Peer-to-Peer (P2P) architectuur. In DFL trainen en aggregeren nodes (peers) lokaal en wisselen updates uit met hun buren. Hoewel dit de afhankelijkheid van één entiteit wegneemt, introduceert het nieuwe uitdagingen:

• Heterogeniteit van deelnemers en data.
• Complexiteit in het kiezen van de juiste netwerktopologie.
• Eigen verantwoordelijkheid voor beveiliging en privacy per peer.
• Het ontbreken van mechanismen om actieve deelname te stimuleren (incentives).

---

2. Methodologie

De auteurs hebben een systematische literatuuroverzicht uitgevoerd volgens de PRISMA-richtlijnen (Preferred Reporting Items for Systematic Reviews and Meta-Analyses).

• Zoekperiode: 2018 tot begin 2026.
• Databases: IEEE Xplore, ScienceDirect, ACM Digital Library, Google Scholar.
• Selectiecriteria:
  • Inclusie: Artikelen die het probleem van centrale coördinatie aanpakken, zichzelf definiëren als gedecentraliseerde frameworks, aggregatie delegeren aan peers, en substantiële architecturale of algoritmische innovaties bieden.
  • Exclusie: Artikelen die alleen server-gebaseerde FL verbeteren (bijv. compressie onder een coördinator) of geen echte decentralisatie tonen.
• Resultaat: Van de 123 gevonden artikelen werden na screening en dubbelcheck 35 relevante werken geselecteerd voor de uiteindelijke analyse.
• Data-extractie: De auteurs analyseerden deze werken op modeltype, data-partitionering, datasets, algoritmen, prestatie-metrics en beperkingen.

---

3. Belangrijkste Bijdragen

De paper biedt een unificatie van het DFL-landschap door de volgende bijdragen te leveren:

1. Unificatie van Architecturen: De auteurs classificeren DFL-methoden in twee hoofdfamilies:
   • Traditioneel Gedecentraliseerd FL (TD-FL): Gebruikt standaard P2P-distributietechnieken.
   • Blockchain-gebaseerd FL (BC-FL): Gebruikt blockchain-functionaliteiten voor coördinatie, auditability en incentives.
2. Uitdaging-gedreven Taxonomie: In plaats van alleen op architectuur te focussen, ordenen ze de literatuur op basis van de kernproblemen die ze oplossen:
   • Fouttolerantie (Fault Tolerance)
   • Bandbreedtegebruik
   • Data-heterogeniteit (Non-IID)
   • Adversariale aanvallen (Beveiliging)
   • Incentive-mechanismen
   • Privacy
3. Analyse van Evaluatiepraktijken: Ze identificeren een gebrek aan standaardisatie in evaluaties (veel gebruik van kleine, schone benchmarks zoals MNIST/CIFAR in plaats van realistische, heterogene scenario's).
4. Toekomstrichtingen: Ze schetsen een roadmap voor onderzoek, met name gericht op topologie-bewuste bedreigingsmodellen, nieuwe privacy-noties voor gedecentraliseerde blootstelling, en robuuste incentives.

---

4. Resultaten en Kernbevindingen

A. Trends in de Literatuur

• TD-FL vs. BC-FL: Traditionele P2P-methoden (TD-FL) tonen een gestage groei van 2018 tot 2025, met een focus op communicatie-efficiëntie en heterogeniteit. Blockchain-methoden (BC-FL) waren vooral actief tussen 2019 en 2022, maar het aantal nieuwe voorstellen daalt. Dit suggereert dat blockchain niet langer gezien wordt als een standaardoplossing voor decentralisatie, maar eerder als een optionele laag voor specifieke eisen zoals auditability en incentives.
• Evaluatie: De meeste studies gebruiken horizontale data-partitionering en standaard datasets (MNIST, CIFAR). Verticale FL en realistische, resource-beperkte scenario's zijn ondervertegenwoordigd.

B. Technische Oplossingen per Uitdaging

• Fouttolerantie:
  • TD-FL: Gebruik van P2P-disseminatielagen (bijv. IPFS) en neighbor-based aggregatie om te overleven bij uitval van nodes.
  • BC-FL: Gebruik van slimme contracten en replicatie van de ledger om training voort te zetten zonder centrale coördinator.
• Privacy:
  • TD-FL: Methoden zoals ProxyFL (scheiden van privé- en publieke modellen), f-Differential Privacy (geoptimaliseerd voor P2P communicatie), en ERIS (gradient partitioning).
  • BC-FL: Gebruik van encryptie (Paillier), veilige aggregatie via secret sharing, en DP, maar met de nuance dat de ledger zelf een nieuw blootstellingsvlak kan creëren.
• Beveiliging (Adversariale Aanvallen):
  • Veel TD-FL-methoden vertrouwen op lokale validatie (peers controleren buren met hun eigen data) en robust aggregation (bijv. Trust-based scoring, Multi-Krum).
  • BC-FL gebruikt consensusmechanismen (PBFT, PoA) om integriteit te garanderen, maar dit kan nieuwe kwetsbaarheden introduceren (bijv. Sybil-aanvallen op validators).
• Bandbreedte:
  • Oplossingen omvatten "Gossip"-protocollen, modelsegmentatie (uitwisselen van delen van het model), en compressie.
• Incentives:
  • In BC-FL worden beloningen vaak gekoppeld aan data-omvang of bijdrage (Shapley-waarde). In TD-FL zijn incentives vaak afwezig of minder ontwikkeld, wat leidt tot "lazy nodes".

C. Kritische Observaties

• Topologie is cruciaal: De prestaties van DFL hangen sterk af van de netwerktopologie. Een volledig verbonden netwerk is niet schaalbaar.
• Global vs. Personalized Models: In TD-FL kan het concept van één "globaal model" vervagen; het systeem convergeert soms naar cluster-specifieke oplossingen. Dit moet expliciet worden gedefinieerd in de doelstelling.
• Blockchain Overhead: De extra kosten (latentie, opslag, energie) van blockchain zijn vaak moeilijk te rechtvaardigen tenzij auditability of incentives strikt vereist zijn.

---

5. Significantie en Toekomstperspectief

Deze survey is significant omdat het het eerste werk is dat een unificatie biedt tussen traditionele P2P-DFL en blockchain-DFL, gekoppeld aan een uitdaging-gedreven taxonomie. Het verlegt de focus van puur architecturale beschrijvingen naar het oplossen van specifieke systemische bottlenecks.

Toekomstige onderzoekrichtingen die worden geïdentificeerd:

1. Topologie-bewuste beveiliging: Ontwikkeling van bedreigingsmodellen die rekening houden met de specifieke netwerktopologie en Sybil-aanvallen.
2. Gedecentraliseerde Privacy: Privacy-noties die de blootstelling aan meerdere peers (in plaats van één server) en collusie tussen buren in ogenschouw nemen.
3. Robuuste Incentives: Mechanismen die manipulatie voorkomen en rekening houden met privacy, zonder dat ze afhankelijk zijn van centrale autoriteiten.
4. Realistische Evaluatie: Meer gebruik van dynamische netwerken, churn (nodes die in/uit gaan), en heterogene datasets in plaats van statische benchmarks.
5. Doeldefinitie: Duidelijke afweging of het doel een enkel globaal model is of gepersonaliseerde oplossingen per cluster.

Conclusie:
De auteurs concluderen dat DFL een veelbelovend pad is om de beperkingen van centraal FL te overwinnen, maar dat het veld nog in de kinderschoenen staat wat betreft robuustheid, privacy en schaalbaarheid in realistische omgevingen. De verschuiving van blockchain als "standaardoplossing" naar een "optionele laag" en de focus op directe P2P-mechanismen voor efficiëntie en heterogeniteit, markeert een nieuwe fase in de evolutie van Federatief Leren.