现有去中心化金融网络的治理依赖人工委员会审查，导致主观偏差、在高交易量下难以扩展，且难以捕捉复杂行为模式和网络动态。为克服这些问题，本文提出 DeFiRank，一个基于联邦学习的成对排序框架，多个机构在不共享私有交易数据的前提下协同训练排序模型。该模型能够学习全网行为特征，如交易对手多样性、跨应用使用以及交易频率，这些特征与网络效应密切相关。系统依据行为真实性对提供者进行排序，提升真实贡献者，降级可疑行为者。我们在真实区块链交易数据上评估 DeFiRank，结果显示联邦方案的 NDCG@15≈0.87，略低于中心化基线≈0.92，Kendall τ≈0.70 与中心化保持一致，能够实现可靠的治理决策，分别提升 648 名提供者并降级 39 名唯一提供者，且无需集中访问敏感交易数据。
点评