本文关注众包联邦学习（Crowdsourced Federated Learning, CrowdFL）中的鲁棒性量化问题。CrowdFL通过众包范式允许开放、异构的参与，扩展了传统联邦学习，而声誉驱动的激励机制常被用于引导工人选择并增强可信度。然而，现有框架大多忽略了对隐秘对抗者（能规避标准检测机制的对手）鲁棒性的量化评估。为此，论文提出R2CFL，一个鲁棒的声誉驱动CrowdFL框架。R2CFL的核心创新在于：1) 设计了一个鲁棒声誉模型，将参与者的声誉演化与聚合阶段的更新过滤（最近邻混合，Nearest Neighbor Mixing，简称R2-NNM）机制耦合；2) 该机制能够防止隐秘攻击者通过逐步积累信任来影响未来任务。实验结果表明，面对自适应攻击者，R2-NNM在拜占庭鲁棒性和后门防御效果上达到或超越了现有的最先进防御方法；此外，当与现有检测-过滤类防御集成时，所提出的声誉模型能通过生成与底层防御真实正阳性率、假阳性率特性高度一致的声誉分数，准确捕捉该防御的统计鲁棒性。该工作的主要贡献在于首次将声誉机制与鲁棒聚合防御相结合，填补了CrowdFL中针对隐秘对抗行为的鲁棒性量化空白，并为开放环境下联邦学习的可信执行提供了新思路。适合关注联邦学习安全、鲁棒聚合机制设计、声誉系统评估的研究人员及安全工程师阅读。

本文提出 ReputationChain，一个面向区块链供应链的参与者信任更新框架。研究背景是：区块链虽然能保证供应链记录的完整性，但仅凭账本完整性无法判断参与者在未来风险敏感交易中是否值得信任。现有声誉系统主要关注产品证据、全局反馈聚合或评论真实性，较少考虑重复双边通胀、身份多重性和对稀疏历史诚实参与者的不公平衰减等问题。为此，ReputationChain 将区块链作为证据和溯源层而非信任来源，将治理化的交互结果转换为有界证据。核心方法包括：对同一对参与者之间的重复交互进行折扣，惩罚低交易对手多样性，利用治理提供的身份置信度对正面证据加权，并根据验证交互量使评分向中性先验衰减。身份、合约、结果和更新溯源均上链，而非线性声誉计算在链下执行并在链上检查可接受性。在受控模拟中（30 次种子运行和匹配交互轨迹），完整模型将平均合谋收益降至 0.1443，而朴素平均证据为 0.3688，静态衰减为 0.3585。在一个控制器控制十个身份的场景下，声誉通胀率降至 0.8723，而三个比较基线均高于 1.08。在相同新参与者轨迹上，基于量的衰减将新参与者平均声誉从 0.6626 提升至 0.7589，并将虚假低信任率从 0.3633 降至 0.1683。配对分析确认了这些改进在不同运行中的一致性。研究结论表明 ReputationChain 能在有界范围内减少声誉扭曲，但不提供攻击者检测功能；生产使用前仍需部署评估和运营数据校准。该论文适合区块链安全、供应链风险管理、去中心化信任系统及声誉机制设计的研究人员和工程师阅读。