Fed-Reputed: Reputation-Aware Client Selection in Hierarchical Federated Learning for Consumer Electronics
Notice bibliographique
Résumé
Federated Learning (FL) enables collaborative model training across distributed consumer devices without requiring raw data to be centralized—an essential feature for privacy-critical applications such as biomedical monitoring and mobile health diagnostics. However, real-world deployments often face challenges in client selection, especially in the presence of misbehaved clients. Straggler clients with poor connectivity or low resources delay convergence, while malicious clients pose threats to model integrity by injecting poisoned updates. These problems are amplified in dynamic, heterogeneous environments such as those involving consumer biomedical devices. To address this, we propose <italic xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">Fed-Reputed</i>, a reputation-aware client selection framework tailored for Hierarchical Federated Learning (HFL). Unlike existing reputation-based approaches that suffer from herding effects, cold-start limitations, and imbalanced classification datasets, Fed-Reputed integrates a modified Bellman equation within a Deep Q-Learning framework. This formulation guides client selection using an Imbalanced Classification Markov Decision Process (ICMDP), leveraging both device capability and historical behavior. Extensive simulations using MNIST and FMNIST datasets under varying percentages of straggler and malicious clients demonstrate that Fed-Reputed achieves up to 50% higher global model accuracy and 1.7 times faster convergence compared to state-of-the-art selection methods. Moreover, it significantly improves the detection of misbehaving clients without sacrificing fairness or scalability. These results highlight the potential of Fed-Reputed to advance secure, scalable, and personalized Federated Learning in health-sensitive consumer environments.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,006 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,008 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».