MURIM：基于多维声誉的联邦学习激励机制
人工智能
2025-12-17 v1
摘要
联邦学习(Federated Learning) 已成为一种领先的隐私保护机器学习范式，使参与者能够共享模型更新而非原始数据。然而，联邦学习仍面临关键挑战，包括弱客户端激励、隐私风险和资源限制。评估客户端可靠性对于公平的激励分配以及确保每个客户端的数据对全局模型有意义的贡献至关重要。为此，我们提出 MURIM，一种 MUlti-dimensional Reputation-based Incentive Mechanism，联合考虑客户端可靠性、隐私、资源容量和公平性，同时防止恶意或不可靠客户端获取不当奖励。MURIM 基于客户端贡献、延迟和声誉分配激励，并由可靠性验证模块支持。在 MNIST、FMNIST 和 ADULT Income 数据集上的大量实验表明，MURIM 在公平性指标上实现了最高可达 18% 的改进，将隐私攻击成功率降低 5-9%，相对于最先进的基线，通过抗毒化和噪声梯度攻击的鲁棒性提升最高可达 85%。总体而言，MURIM 有效缓解了对抗性威胁，促进了公平和诚实的参与，并在异构和动态的联邦环境中保持稳定的模型收敛。
引用
@article{arxiv.2512.13955,
title = {MURIM: Multidimensional Reputation-based Incentive Mechanism for Federated Learning},
author = {Sindhuja Madabushi and Dawood Wasif and Jin-Hee Cho},
journal= {arXiv preprint arXiv:2512.13955},
year = {2025}
}