跷跷板上的合作与个性化：用于无线网络安全合作的选择型联邦学习
网络与互联网体系结构
2024-11-08 v1 人工智能
分布式、并行与集群计算
机器学习
摘要
联邦学习（FL）是一种创新的分布式人工智能技术，已在医疗、营销和金融等不同领域用于跨学科研究。然而，FL在无线网络中的应用仍处于起步阶段。在本工作中，我们首先概述了将FL应用于无线网络的益处与关切。接下来，我们通过分析这些框架中合作与个性化之间的关系，为现有的个性化FL框架提供了一个新视角。此外，我们讨论了以选择为基础的方法调节合作水平的可能性。我们的选择型FL框架是一种灵活且安全的FL框架，允许参与者在感到不安全或无法从合作中获益时降低合作水平。通过这种方式，选择型FL框架旨在解决FL中的安全与公平问题，保护参与者免受恶意攻击。
引用
@article{arxiv.2411.04159,
title = {Cooperation and Personalization on a Seesaw: Choice-based FL for Safe Cooperation in Wireless Networks},
author = {Han Zhang and Medhat Elsayed and Majid Bavand and Raimundas Gaigalas and Yigit Ozcan and Melike Erol-Kantarci},
journal= {arXiv preprint arXiv:2411.04159},
year = {2024}
}