面向可穿戴 IoT 的去中心化联邦学习中的信任感知模型个性化

去中心化联邦学习（DFL）使边缘设备能够在没有中心化协调的情况下进行协作模型训练，能够抵御单点故障。然而，由于非相同分布的本地数据导致的统计异质性，构成了根本性挑战：节点必须学习适应其本地分布的个性化模型，同时对与之兼容的同伴进行选择性合作。现有方法要么强制执行适用于所有人的单一全局模型，要么依赖无法区分数据分布不兼容的同伴与具有有价值互补知识的同伴的启发式同伴选择机制。我们提出了 Murmura，一个利用证据深度学习实现去中心化联邦学习中信任感知模型个性化的框架。我们的关键洞察是，来自 Dirichlet 基于证据模型的认识不确定性直接指示同伴兼容性：当同伴的模型评估本地数据时表现出高认识不确定性，表明分布不匹配，从而使节点能够排除不兼容的影响，同时通过选择性合作保持个性化模型。Murmura 引入了信任感知的聚合机制，通过在本地验证样本上进行交叉评估计算同伴兼容性得分，并通过基于证据信任的自适应阈值对模型进行个性化聚合。在三个可穿戴 IoT 数据集（UCI HAR、PAMAP2、PPG-DaLiA）上的评估表明，Murmura 在从 IID 条件到非 IID 条件的性能降低方面优于基线方法（0.9% vs. 19.3%），实现了 7.4 倍更快的收敛速度，在各种超参数选择下保持稳定的准确率。这些结果确立了证据不确定性作为去中心化异构环境中兼容性感知性化学习基础的原则方法。