基于拜占庭鲁棒异步联邦学习的蜂窝流量预测
机器学习
2025-05-27 v1 人工智能
摘要
网络流量预测在智能网络运营中发挥着至关重要的作用。传统的预测方法通常依赖于集中式训练，需要将海量流量数据传输至中央服务器。这种方法可能导致延迟和隐私问题。为了解决这些问题，结合差分隐私的联邦学习已成为一种在分布式环境中提升数据隐私和模型鲁棒性的解决方案。尽管如此，现有的联邦学习协议容易受到拜占庭攻击，这可能严重损害模型的鲁棒性。在存在拜占庭客户端的情况下开发一个鲁棒且保护隐私的预测模型仍然是一个重大挑战。为此，我们提出了一种基于分布式鲁棒优化的异步差分联邦学习框架。所提出的框架利用多个客户端在本地差分隐私下协同训练预测模型。此外，采用了正则化技术以进一步提升模型的拜占庭鲁棒性。我们在三个真实世界的数据集上进行了广泛的实验，结果表明我们提出的分布式算法能够取得优于现有方法的性能。
引用
@article{arxiv.2505.19263,
title = {Cellular Traffic Prediction via Byzantine-robust Asynchronous Federated Learning},
author = {Hui Ma and Kai Yang and Yang Jiao},
journal= {arXiv preprint arXiv:2505.19263},
year = {2025}
}