无需真实标签也能公平激励联邦学习参与方，防作弊且计算快。
Knowledge-Free Correlated Agreement for Incentivizing Federated Learning
- 基于客户报告的一致性设计奖励机制，不依赖真实标签或数据分布。
- 在多数客户诚实的前提下，可防止恶意篡改标签的攻击。
- 适用于实时奖励计算，适合去中心化和区块链场景使用。
我们提出知识无关的相关一致性（KFCA），用于在无真实标签、无公开测试集、无分布知识的情况下，激励联邦学习中的客户端贡献。在类别化报告与诚实多数的假设下，KFCA具有严格真实性，解决了相关一致性（CA）对标签翻转攻击的脆弱性问题。我们在联邦大模型适配器调优和一个真实的印制电路板（PCB）检测任务上评估了KFCA，结果表明其支持高效实时奖励计算，适用于去中心化及区块链驱动的激励设计。
原文摘要 · Abstract (English)
We introduce Knowledge-Free Correlated Agreement (KFCA) to reward client contributions in federated learning (FL) without relying on ground truth, a public test set, or distribution knowledge. Under categorical reports and an honest majority, KFCA is strictly truthful, addressing the label-flipping vulnerability of Correlated Agreement (CA). We evaluate KFCA on federated LLM adapter tuning and a real-world PCB inspection task, showing efficient real-time reward computation suitable for decentralized and blockchain-based incentive designs.
Thank you to arXiv for use of its open access interoperability. PaperDance 不是 arXiv 官方产品；中文卡片由大模型生成，请以原文为准。