数字孪生，联邦学习最新研究进展，发表于IEEE Journal on Selected Areas in Communi

本文发表在IEEE Journal on Selected Areas in Communications 2023，重点讨论利用联邦学习技术在数字孪生系统中进行模型训练时如何评估各参与方的信任度来提高模型的可靠性。论文代码已开源。

论文链接: https://ieeexplore.ieee.org/document/10234616

代码链接: https://web.xidian.edu.cn/jjguo/code.html

题目: TFL-DT：面向移动网络数字孪生系统的联邦学习信任评估方案（TFL-DT A trust evaluation scheme for federated learning in digital twin mobile networks）

摘要：

联邦学习是解决数据开放共享中‘数据孤岛’与‘隐私保护’问题的关键技术之一。在移动数字孪生网络（Digital Twin for Mobile networks, DTMN）中，联邦学习能够使多个虚拟孪生体协同训练机器学习模型，同时保证各参与方的数据隐私。获得可靠的全局模型的前提之一是保证参与学习的各方具有可靠的行为，因此需要对各参与方进行信任度评估，然而现有的针对联邦学习的信任评估方案存在着信任评估因子单一以及信任评估方法粒度粗的问题，使得评估结果无法充分体现各参与方的行为可信性。

为了提高联邦学习参与方信任评估结果的精度，论文针对DTMN中的联邦学习系统提出了一种细粒度的参与方信任评估方案。首先，设计了一种参与方信任行为画像的构建方法，能够细粒度地描述各参与方的行为可靠性；然后，提出了基于参与方信任画像的参与方直接信任度和间接信任度的计算方法；最后设计了一种动态的信任融合方案来得到参与方的最终信任度。针对该方案的实验结果显示所提方案能够对不同行为模式的参与方的信任度进行高精度的评估，同时与现有方案相比，所提方案能够抵御多种参与方发起的信任攻击。

关键字：联邦学习，数字孪生，移动网络，信任评估，行为科学，隐私保护