面向多云环境的面向成本的层次化联邦学习：轻量级声誉评估
机器学习
2025-12-24 v1
摘要
跨多云环境的联邦学习面临关键挑战，包括非独立同分布（non-IID）数据分布、恶意参与者检测以及大量跨云通信成本（如 egress 费用）。现有面向防 Byzantine 攻击的方法主要关注模型准确率，忽视了数据跨云传输的经济影响。本文提出 Cost-TrustFL，一个层次化联邦学习框架，旨在联合优化模型性能和通信成本，同时提供对投毒攻击的稳健防御。我们提出了基于梯度的近似 Shapley 值计算方法，将复杂度从指数级降低到线性，实现轻量级声誉评估。我们的成本感知聚合策略优先进行内部云间通信，以最小化昂贵的跨云数据传输。在 CIFAR-10 和 FEMNIST 数据集上实验表明，Cost-TrustFL 在 30% 恶意客户端下实现 86.7% 的准确率，通信成本较基线方法降低 32%。该框架在不同非独立同分布程度和攻击强度下均保持稳定性能，具有实际部署价值。
引用
@article{arxiv.2512.20218,
title = {Cost-TrustFL: Cost-Aware Hierarchical Federated Learning with Lightweight Reputation Evaluation across Multi-Cloud},
author = {Jixiao Yang and Jinyu Chen and Zixiao Huang and Chengda Xu and Chi Zhang and Sijia Li},
journal= {arXiv preprint arXiv:2512.20218},
year = {2025}
}