面向长尾数据的联邦学习安全聚合
机器学习
2023-07-18 v1 密码学与安全
摘要
作为一种分布式学习，联邦学习（FL）面临两个挑战：参与者间训练数据分布不均衡，以及拜占庭节点的模型攻击。在本文中，我们考虑FL场景中存在拜占庭节点时的长尾分布。提出了一种新颖的双层聚合方法，用于拒绝恶意模型并明智选择含有尾部类数据信息的有价值模型。我们引入智库的概念以利用所有参与者的智慧。初步实验验证，智库能够为全局聚合做出有效的模型选择。
引用
@article{arxiv.2307.08324,
title = {A Secure Aggregation for Federated Learning on Long-Tailed Data},
author = {Yanna Jiang and Baihe Ma and Xu Wang and Guangsheng Yu and Caijun Sun and Wei Ni and Ren Ping Liu},
journal= {arXiv preprint arXiv:2307.08324},
year = {2023}
}