A Game-theoretic Approach for Robust Federated Learning

• 题目截图
  
• 主要内容：探究纳什均衡下的收益函数，考虑更可信地聚合，利用kmeans算法聚类得到可信模型参数
• 1.考虑某次迭代的更新的加权平均，通过计算偏离得到客户端的可信度，利用kmeans聚类得到诚实和恶意节点
• 2.引入概率，考虑误判
• 3.引入博弈论模型，对误判的节点进行补偿，求解纳什均衡点

Privacy-Preserving Blockchain-Based Federated Learning for IoT Devices

• 题目截图
  
• 主要内容：引入差分隐私到提取的特征上，使用multi-krum梯度选择算法考虑恶意节点，构造简单的声誉激励模型
• 1.利用multikrum算法，求出每个节点到最邻近的节点的总距离，从而判定其是否存在偏离，然后排序计算，利用声誉机制，对其进行记录和奖赏
  
• reputation上升得慢，下降得快
• 提出了一种高效的归一化方法，融合进拉普拉斯噪声，实验表明学习精确率得到提高

Auction-Based Ex-Post-Payment Incentive Mechanism Design for Horizontal Federated Learning with Reputation and Contribution Measurement

• 题目截图
  
• 主要内容：通过声誉和拍卖制定的竞标价选择客户，通过给样本权重以及考察不同节点在不同样本的表现（测试集的精度）得到评价，基于表现和可信度构造出声誉的计算公式；考虑连续作恶以及连续善意的影响，使用构造法得到函数，最后通过了激励机制的五个特性的证明
• 考虑选择，评判和支付可靠的节点
• 考虑不同样本的权重不同，通过测试集定义节点的表现
• 贡献为表现乘以权重
• 通过shapley值的方法来检测该节点是否通过
• 通过通过和失败的次数来定义可信度
• 信誉值即为贡献和可信度的成绩
• 信誉值可叠加
• 考虑连续成功和连续失败的次数，构造出特定的函数满足既定的性质

总结

• 激励机制无非就是选择，评判和支付
• 可以考虑跟dp结合，因为里面可以计算隐私损失，从而进行补偿！