Greedy Reliab Federated Learning

نظام تعلم اتحادي يركز على تحسين موثوقية اختيار المشاركين وحماية التدريب الموزع. يستخدم المشروع اختيارًا جشعًا مبنيًا على تشابه Jaccard، وتقييم السمعة والقدرات، وتحليل تحديثات التدرج لاكتشاف المشاركين الخبيثين، مع تجارب لهجمات Label Flipping وآليات مكافأة وعقوبة ومفاهيم سلامة مستوحاة من Blockchain.

الاختيار الأمثل للعملاء:

الاستراتيجية: استخدام طريقة Jaccard Greedy لاختيار المشاركين.

الفائدة: تحسين التنوع والتمثيل في النماذج، مما يعزز الموثوقية والأمان.

تحسين الموثوقية:

التحدي: ضمان موثوقية المشاركين.

الحل: نظام اختيار يعتمد على السمعة مع تقنيات التشفير لضمان النزاهة.

التصدي للهجمات:

التحدي: مواجهة المشاركين الخبيثين.

الحل: تحليل الفروقات في التحديثات باستخدام PCA وتقنيات التجميع لعزل المشاركين الضارين.

نظام العقوبات والمكافآت:

الهدف: تشجيع التعاون العادل بين المشاركين من خلال نظام مكافآت وعقوبات يعزز السلوك النزيه.

استخدام تقنية البلوكشين:

الفائدة: تضمن الشفافية والأمان في إدارة المهام والتدريب عبر الشبكة اللامركزية باستخدام العقود الذكية.

النتائج:

المشروع يحقق تحسناً في الموثوقية والأمان والعدالة في التعلم الفيدرالي من خلال هذه الآليات المبتكرة.