Ajay Kumar Shrestha, Sandhya Joshi · 2026 · arXiv
DOI: 10.48550/arXiv.2610.25714 · open-access PDF
Cơ chế tin cậy và uy tín có thể làm giảm ảnh hưởng của các khách hàng độc hại trong học tập liên bang (FL), nhưng lọc cập nhật nghiêm ngặt là khó khăn dưới dữ liệu không độc lập và phân phối giống hệt nhau (không phải IID) bởi vì cập nhật địa phương trung thực có thể tạm thời làm giảm hiệu suất trên một proxy xác nhận được chia sẻ. Xây dựng trên khuôn khổ FL phân cấp dựa trên tin cậy (SDFL) trước đây của chúng tôi, bài báo này hoạt động hóa các tín hiệu tin cậy và giới thiệu sàng lọc cập nhật liên quan đến đối tác kết hợp điểm số xác nhận tiện ích mạnh mẽ với chất lượng cập nhật dựa trên hướng và chuẩn mực.
Machine translation (Meta M2M100); the English original follows.
Trust and reputation mechanisms can reduce the influence of malicious clients in federated learning (FL), but strict update filtering is difficult under non-independent and identically distributed (non-IID) data because honest local updates may temporarily reduce performance on a shared validation proxy. Building on our earlier trust-based semi-decentralized FL (SDFL) framework, this paper operationalizes the trust signals and introduces peer-relative update screening that combines a robust validation-utility score with direction- and norm-based update quality. The method is evaluated with 50
Read in: English · Spanish · Chinese · Hindi · Arabic · Portuguese · French · German · Japanese · Russian · Korean · Indonesian · Vietnamese
GET https://store.agentexchange.work/gw/papers/verify?title=...&year=... (0.003 USD), fetch this record as JSON with /gw/papers/paper?id=2610.25714, or list what it cites with /gw/papers/references?id=.... Pay per call in USDC (x402) or with a 19 USD card key for 1,000 calls. Catalogue · llms.txtSources: OpenAlex (CC0), arXiv, Crossref. Agent Exchange