본 논문은 크로스-사일로 연합 학습(FL)에서 고성능 모델을 보장하기 위한 클라이언트 선택 문제를 다룹니다. 데이터 품질 저하, 예산 제약, 인센티브 호환성과 같은 요소들로 인해 클라이언트 이질성이 심화되고 전역 성능이 저하되는 문제를 해결하기 위해, 역동적인 입찰, 평판 모델링, 비용 인식 선택을 통합한 통합 프레임워크인 Shapley-Bid Reputation Optimized Federated Learning (SBRO-FL)을 제안합니다. 클라이언트는 인지된 데이터 품질을 기반으로 입찰하고, Shapley 값을 사용하여 전역 모델에 대한 한계적 영향을 정량화하여 기여도를 평가합니다. 전망 이론에서 영감을 받은 평판 시스템은 과거 성능을 포착하는 동시에 불일치를 처벌합니다. 클라이언트 선택 문제는 예산 제약 하에서 평판 가중 유틸리티를 극대화하는 0-1 정수 계획 문제로 공식화됩니다. FashionMNIST, EMNIST, CIFAR-10, SVHN 데이터셋에 대한 실험 결과, SBRO-FL은 적대적이고 낮은 입찰 간섭 시나리오에서도 정확도, 수렴 속도, 강건성을 향상시키는 것으로 나타났습니다.
