要約：厳粛に宣言する：元のタイトルを参照してください、侵害あれば、作者に連絡してください、リリースが取り消されます！以下は、この抜粋翻訳の重要な一部であり、元を参照してください。
抽象
連邦政府の学習機械学習方法が有望であり、それは、モバイルユーザーのプライバシーを提供しながら、パフォーマンスを向上させるために、複数のノード（例えば、モバイル・デバイス）からのデータの分散セットを使用してパーソナライズされています。ユーザーは維持として、連邦政府の研究では、トレーニングデータは広く、モバイルデバイス上で配布されています。中央重合パーティのモバイルデバイスは、各反復でグローバルモデルを訓練するために、モバイルデバイスからローカルトレーニングデータの更新により、ローカルに収集したグローバルモデルを更新します。しかし、信頼性の高いデータは、連邦詐欺でタスクを学習結果として、アップロードするモバイルデバイス（すなわちユーザー）ないかもしれません。ユーザーが意図的に確実にエネルギーデータによって引き起こさたとえば、データ汚染攻撃、または意図せずに行われ、例えば、高速移動や低品質の制約のために、更新されていないことがあります。したがって、信頼できると信頼性の高いユーザーを見つけるためには、連邦政府の学習課題で重要になります。本論文では、メトリックとして評判の概念を導入しています。これに基づき、我々は連邦政府の学習課題のための信頼性の高いユーザーオプションを提案します。連合チェーンは拒否し、改ざんすることなく、ユーザーのための効果的な評判管理を実現するために中央に方法として使用されます。数値解析することで、この方法は、連邦政府の学習課題におけるモバイルネットワークの信頼性を向上することができることを証明しました。