Resumen: El aprendizaje federado (FL) se ha convertido en un paradigma líder de aprendizaje automático que preserva la privacidad y permite a los participantes compartir actualizaciones de modelos en lugar de datos sin procesar. Sin embargo, FL continúa enfrentando desafíos clave, incluidos débiles incentivos para los clientes, riesgos de privacidad y limitaciones de recursos. Evaluar la confiabilidad del cliente es esencial para una asignación justa de incentivos y garantizar que los datos de cada cliente contribuyan de manera significativa al modelo global. Con este fin, proponemos MURIM, un mecanismo de incentivos multidimensional basado en la reputación que considera conjuntamente la confiabilidad, la privacidad, la capacidad de recursos y la equidad del cliente, al tiempo que evita que clientes maliciosos o poco confiables obtengan recompensas inmerecidas. MURIM asigna incentivos basados en la contribución, la latencia y la reputación del cliente, respaldados por un módulo de verificación de confiabilidad. Amplios experimentos en conjuntos de datos MNIST, FMNIST y ADULT Income demuestran que MURIM logra una mejora de hasta un 18 % en las métricas de equidad, reduce las tasas de éxito de los ataques a la privacidad entre un 5 % y un 9 % y mejora la solidez contra el envenenamiento y los ataques de gradiente ruidoso hasta en un 85 % en comparación con las bases de referencia de última generación. En general, MURIM mitiga eficazmente las amenazas adversas, promueve la participación justa y veraz y preserva la convergencia estable del modelo en entornos federados heterogéneos y dinámicos.
Publicado originalmente en export.arxiv.org el 16 de diciembre de 2025.
Ver fuente original
