面向高斯过程回归的拜占庭弹性联邦在线学习
机器学习
2025-07-21 v1 系统与控制
系统与控制
摘要
本文研究面向高斯过程回归 (GPR) 的拜占庭弹性联邦在线学习。我们开发了一种拜占庭弹性联邦 GPR 算法，允许云端和一组智能体在部分智能体出现拜占庭故障（即任意且可能具有对抗性的行为）时，协作学习潜在函数并提升学习性能。每个基于智能体的局部 GPR 向云端发送可能受损的局部预测，基于云端的聚合 GPR 通过拜占庭弹性专家乘积聚合规则计算全局模型。随后，云端将当前全局模型广播给所有智能体。基于智能体的融合 GPR 通过将接收到的全局模型与基于智能体的局部 GPR 模型进行融合，从而优化局部预测。此外，我们量化了基于智能体的融合 GPR 相较于基于智能体的局部 GPR 在学习精度上的提升。在一个简单示例和两个中等规模真实数据集上进行了实验，以验证所提算法的性能。
引用
@article{arxiv.2507.14021,
title = {Byzantine-resilient federated online learning for Gaussian process regression},
author = {Xu Zhang and Zhenyuan Yuan and Minghui Zhu},
journal= {arXiv preprint arXiv:2507.14021},
year = {2025}
}