一种基于信任评估机制的协作公平联邦学习框架

分布式协作与隐私保护特性，使联邦学习在数据共享方面独具技术优势。为提升全局模型可靠性，期望参与用户行为值得信赖，且用户也盼在模型训练获公平回报，减小资源、数据分布及计算能力差异影响。现有联邦学习信任评估方案，存在考量因素单一、采用粗粒度计算方法的问题，难以合理评估用户信任度及给予公平回报。对此，本文提出一种基于信任评估机制的协作公平联邦学习框架。其信任评估机制由直接与推荐信任信息构成，依据多属性设计用户行为模式，以细粒度描述行为。再依评估结果经公平优化算法聚合，赋予用户公平训练权重，提升全局模型准确率。结果表明，该方法能精准评估不同行为模式用户信任水平，提高模型准确率，且抗攻击表现更优。