基于无监督联邦学习的异常检测
机器学习
2022-09-12 v1
摘要
联邦学习（FL）正被证明是最有前景的利用分布式资源的范式之一，它使一组客户端能够在保持数据去中心化的同时协作训练机器学习模型。该主题兴趣的爆发式增长推动了通信效率、处理非独立同分布数据、隐私和安全能力等多个核心方面的快速进展。然而，大多数联邦学习工作仅处理监督任务，假设客户端的训练集带有标签。为了利用分布式边缘设备上大量的无标签数据，本文旨在通过解决去中心化设置下的异常检测问题，将联邦学习范式扩展到无监督任务。具体而言，我们提出了一种新方法，通过预处理阶段将客户端分组为多个社区，每个社区具有相似的大多数（即正常样本）模式。随后，每个客户端社区以联邦方式训练相同的异常检测模型（即自动编码器）。所得模型随后被共享并用于检测加入相应联邦过程的同一社区内客户端的异常。实验表明，我们的方法具有鲁棒性，并且能够检测出与理想划分一致的社区，在理想划分中已知具有相同的正常样本模式的客户端组。此外，其性能显著优于那些客户端仅在本地数据上训练模型的情况，并且与理想社区划分的联邦模型相当。
引用
@article{arxiv.2209.04184,
title = {Anomaly Detection through Unsupervised Federated Learning},
author = {Mirko Nardi and Lorenzo Valerio and Andrea Passarella},
journal= {arXiv preprint arXiv:2209.04184},
year = {2022}
}