この記事では、フェデレーテッドラーニング（FL）の安全性を高めるための新しいフレームワーク「FLARE」を提案しています。FLは、データプライバシーを保ちながら共同でモデルを訓練する技術ですが、悪意のあるクライアントによる攻撃に対して脆弱です。FLAREは、クライアントの信頼性を二者択一の判断から連続的な多次元評価に変換し、パフォーマンスの一貫性や統計的異常の指標、時間的行動を考慮した多次元のレピュテーションスコアを統合しています。また、モデルの収束と最近の攻撃の強度に基づいてセキュリティの厳しさを調整する自己キャリブレーション型の適応閾値メカニズムや、疑わしい貢献を比例的に制限するレピュテーション加重集約を導入しています。実験では、FLAREが多様な攻撃に対して高いモデル精度と速い収束性を維持することが示され、特に悪意のあるクライアントの検出においても効果を発揮しています。