异构物联网网络中用于异常检测的高效无监督联邦学习方法
机器学习
2026-03-02 v1 人工智能
摘要
联邦学习(FL)是适用于物联网(IoT)等分布式环境的有效范式，其中来自功能各异的不同设备的数据保持本地化，同时为共享的全局模型做出贡献。由于无需传输原始数据，FL 本质上保护了隐私。然而，由设备能力、数据格式和通信约束的差异导致的物联网数据异构性，对维持全局模型性能和隐私构成了重大挑战。在基于物联网的异常检测背景下，无监督 FL 提供了一种无需集中数据聚合即可识别异常行为的有前景的方法。尽管如此，跨设备的特征异质性使模型训练和优化复杂化，阻碍了有效实施。在本研究中，我们提出了一种高效的无监督 FL 框架，该框架通过利用来自两个不同物联网数据集（一个专注于异常检测，另一个专注于设备识别）的共享特征，同时保留数据集特定特征，来增强异常检测。为了提高透明度和可解释性，我们采用可解释 AI 技术（如 SHAP）来识别影响局部模型决策的关键特征。在真实物联网数据集上进行的实验表明，所提出的方法在异常检测准确性方面显著优于传统的 FL 方法。这项工作强调了利用互补数据集的共享特征来优化无监督联邦学习并在去中心化物联网环境中实现卓越异常检测结果的潜力。
引用
@article{arxiv.2602.24209,
title = {An Efficient Unsupervised Federated Learning Approach for Anomaly Detection in Heterogeneous IoT Networks},
author = {Mohsen Tajgardan and Atena Shiranzaei and Mahdi Rabbani and Reza Khoshkangini and Mahtab Jamali},
journal= {arXiv preprint arXiv:2602.24209},
year = {2026}
}