半分散型連帯学習システムにおける信頼に基づくインセンティブメカニズム

arXiv:2602.08290v1 Announce Type: new 概要：連帯学習（FL）において、分散型モデルトレーニングにより、複数の参加者が生のデータを交換することなく共有される機械学習モデルを協同的に改善できます。しかし、性能を低下させる可能性のある悪意のあるまたは故障したノードの存在により、システムの整合性と信頼性を確保することは容易ではありません。本論文では、FL システムにおける貢献の質を評価および報酬するために設計された新しい信頼に基づくインセンティブメカニズムを提案します。データ品質、モデル精度、一貫性、貢献頻度などの要因に基づいて信頼スコアを動的に評価することで、誠実な参加を促し、信頼性のあるないまたは悪意ある行動を懲罰します。これらの信頼スコアは、高信頼度のノードに参加機会を増やし、低信頼度の参加者に対して制裁を科すインセンティブメカニズムの基礎となります。さらに、我々はブロックチェーン技術およびスマートコントラクトの統合を探索し、信頼評価とインセンティブ配分のプロセスを自動化するとともに、透明性と分散性を保証します。我々の提案した理論的枠組みは、不誠実な参加者がもたらすリスクを軽減し、より堅牢で公正で透明性のある FL エコシステムを創造することを目標としています。

arXiv:2602.08290v1 Announce Type: new Abstract: In federated learning (FL), decentralized model training allows multi-ple participants to collaboratively improve a shared machine learning model without exchanging raw data. However, ensuring the integrity and reliability of the system is challenging due to the presence of potentially malicious or faulty nodes that can degrade the model's performance. This paper proposes a novel trust-based incentive mechanism designed to evaluate and reward the quality of contributions in FL systems. By dynamically assessing trust scores based on fac-tors such as data quality, model accuracy, consistency, and contribution fre-quency, the system encourages honest participation and penalizes unreliable or malicious behavior. These trust scores form the basis of an incentive mechanism that rewards high-trust nodes with greater participation opportunities and penal-ties for low-trust participants. We further explore the integration of blockchain technology and smart contracts to automate the trust evaluation and incentive distribution processes, ensuring transparency and decentralization. Our proposed theoretical framework aims to create a more robust, fair, and transparent FL eco-system, reducing the risks posed by untrustworthy participants.