Ricerca
Selezione degli aggiornamenti guidata dalla fiducia e basata sul confronto tra pari per un apprendimento federato semidecentralizzato robusto agli attacchi di inversione delle etichette
I meccanismi di fiducia e reputazione possono ridurre l’influenza dei client malevoli nell’apprendimento federato (FL), ma filtrare rigorosamente gli aggiornamenti è difficile quando i dati non sono…

- arXiv
- 2610.25714
- Pubblicato
- 2026-10-19
- Autori
- Ajay Kumar Shrestha, Sandhya Joshi
Abstract degli autori
I meccanismi di fiducia e reputazione possono ridurre l’influenza dei client malevoli nell’apprendimento federato (FL), ma filtrare rigorosamente gli aggiornamenti è difficile quando i dati non sono indipendenti e identicamente distribuiti (non-IID), perché gli aggiornamenti locali dei client onesti possono ridurre temporaneamente le prestazioni su un proxy di validazione condiviso. Partendo dal nostro precedente framework di apprendimento federato semidecentralizzato (SDFL) basato sulla fiducia, questo studio rende operativi i segnali di fiducia e introduce un metodo di selezione degli aggiornamenti basato sul confronto tra pari, che combina un punteggio robusto dell’utilità misurata in validazione con una valutazione della qualità degli aggiornamenti basata sulla direzione e sulla norma. Il metodo è valutato con 50 client MNIST, il 20% di autori di attacchi persistenti di inversione delle etichette, livelli di eterogeneità di Dirichlet pari a 0,5 e 0,1, 100 round di comunicazione e cinque semi casuali abbinati. Con un’eterogeneità moderata, il metodo proposto raggiunge un’accuratezza finale del 98,37%, respinge il 95,82% degli aggiornamenti malevoli e conserva il 90,30% di quelli benigni; le distribuzioni finali della fiducia per i client benigni e malevoli sono completamente separate (KS=1,00). Con un’eterogeneità elevata, raggiunge un’accuratezza del 95,25%, respinge l’88,55% degli aggiornamenti malevoli e conserva il 76,90% di quelli benigni (KS=0,96). La sola ponderazione basata sulla fiducia preserva un’utilità leggermente maggiore nella condizione di massima eterogeneità, ma accetta tutti i contributi malevoli. I risultati distinguono quindi la mitigazione dell’influenza dal contenimento esplicito e quantificano il compromesso tra utilità e selettività introdotto dal filtraggio. Lo studio fornisce un nucleo di governance off-chain validato empiricamente, che può alimentare livelli di audit e incentivazione basati su blockchain nell’SDFL.
Il riassunto di questo paper è disponibile solo in inglese: leggilo nella pagina inglese.
Leggi il paper originale su arXiv