A federated learning robust contribution evaluation and incentive method based on subspace projection

Abstract

本发明公开了一种基于子空间投影的联邦学习鲁棒贡献评估与激励方法，包括：接收客户端模型更新，以中位数范数乘宽容系数得动态截断阈值，对超阈值向量缩放截断并记录惩罚系数；求解几何中位数作为鲁棒锚点；构建残差矩阵，经随机化SVD低秩近似，确定有效子空间维度，以前K个左奇异向量张成合法特征子空间；计算优化效用为客户端更新与锚点的余弦相似度，信息效用为客户端在子空间的投影模长，融合惩罚系数得贡献值；筛选正贡献客户端，温度Softmax锐化得聚合权重，加权聚合得全局模型；将贡献值映射为激励基础分，融合可靠性评分和质押因素构建多因子评分，引入连击加成，预算约束下分配激励并执行信誉更新与质押罚没。本发明能抵御攻击、适应Non‑IID环境且计算高效。

Images