信任边界是否会随着时间的推移而保持不变？接收者导向的联邦学习的长期基准

arXiv:2611.03724v1 公告类型：新 摘要：在接收者导向的联邦学习中，每个站点都会绘制一个信任边界。对于每个来源和模型组件，它根据自己的数据判断转移是否有帮助（承认）、有害（拒绝）或尚无法得知（弃权）。我们询问这个边界是否可以持续数百轮。我们的基准测试有一个由 13 个半合成站点组成的联盟、每个评估传输的精确预言机、配对种子、攻击协议、超过 600 轮的 14 种方法以及超过 500 个的 Qwen3-1.7B LoRA 站点。答案取决于测量的边界。在 20 个配对的 CPU 种子中，根据固定参考进行判断的门可以更好地识别相对于站点的起始模型有用的传输。但它承认 29% 的传输对该网站现有的模式有害。根据当前模型进行判断的门承认 CPU 层中该目标上有 2% 的有害传输，但错过了许多对起始模型有用的传输。两个简短的命题解释了这些明显的失败。我们还评估了一项保留审计结果的审计。训练后，它决定是否部署每个最终模型或站点回退到本地训练，并报告已过时的准入。凭借独立的审计数据，其保证在任何培训历史后都有效。在 600 轮审计中，部署了 65% 至 72% 的模型，没有一个模型对其目标产生负面效益，并保留了 98% 的收益。在我们的运行中，没有任何过时的报告有错误的迹象。通过 20,000 个审计观察，方差自适应界限发现 99% 的过时传输的对数损失至少为 0.01。对 60 个选定传输的共同目标 Qwen3 比较表明，100 轮中具有相同的张力。 FedFomo 和 CS-Gate 的对抗性站点占 38%，是唯一在每个诚实组中均值增益为正的评估方法。