提出新的联邦学习系统信任机制

本文介绍了一种新颖的基于信任的激励机制，用于半去中心化联邦学习（FL）系统。所提出的系统根据数据质量、模型准确性和贡献频率等因素动态评估信任分数，以鼓励诚实参与并惩罚恶意或有故障的节点。它探讨了集成区块链和智能合约来自动化信任评估和激励分配，旨在建立一个更强大、更透明的FL生态系统。 AI

影响 通过激励诚实参与和减轻不可信节点的风险，增强了联邦学习系统的鲁棒性和公平性。

排序理由 该条目是发表在arXiv上的研究论文，详细介绍了联邦学习的新理论框架。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

• Ajay Shrestha
• alphaXiv
• arXiv
• Bibliographic Explorer
• CatalyzeX Code Finder for Papers
• Connected Papers
• CORE Recommender
• DagsHub
• Gotit.pub
• Hugging Face
• IArxiv Recommender
• Influence Flower
• Litmaps
• ScienceCast
• scite Smart Citations

• 论文
• 其他

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →