联邦学习中的自适应客户端选择：一种网络异常检测用例
机器学习
2025-01-28 v1 人工智能
摘要
联邦学习 (Federated Learning, FL) 已成为在去中心化数据上训练机器学习模型的广泛使用方法，解决了传统集中方法所带来的显著隐私问题。然而，联邦学习的效率依赖于有效的客户端选择和健壮的隐私保护机制。有效的客户端选择不足会导致模型性能次优，而隐私措施不足则风险暴露敏感数据。本文引入了一个集成差分隐私和容错机制的联邦学习客户端选择框架。该提议的自适应方法根据模型性能和系统约束动态调整所选客户端数量，通过添加校准噪声确保隐私。该方法在网络异常检测用例中进行了评估，采用 UNSW-NB15 和 ROAD 数据集。结果显示相较于 FedL2P 方法，准确率提升最高可达 7%，训练时间缩短 25%。此外，研究还强调了隐私预算与模型性能之间的权衡，隐私预算越高，噪声越少，准确率越高。虽然容错机制会轻微降低性能，但它增强了对客户端故障的鲁棒性。使用 Mann-Whitney U 检验进行统计验证后，结果 p 值小于 0.05，表明这些改进具有显著性。
引用
@article{arxiv.2501.15038,
title = {Adaptive Client Selection in Federated Learning: A Network Anomaly Detection Use Case},
author = {William Marfo and Deepak K. Tosh and Shirley V. Moore},
journal= {arXiv preprint arXiv:2501.15038},
year = {2025}
}