基于表示层偏差检测非典型客户端：面向联邦学习
机器学习
2026-05-22 v1 人工智能
摘要
联邦学习使分布式客户端能够协同训练，但这种异构性常常导致更新不稳定并降低全局性能。此外，在实际部署中，客户端更新可能偏离预期行为，不仅是由于良性非 i.i.d. 分布，甚至也可能是由于分布性变化或异常输入，引发对聚合过程可靠性的担忧。本文提出一种轻量级几何信号，用于量化客户端相对于全局模型的功能偏差。我们不比较模型参数或梯度，而是衡量每个客户端的本地训练如何改变输入空间由激活引起的划分，这是在共享探针集上评估的。这产生一种对等换位不变、可解释的客户端-全局偏差度量，捕捉数据是如何被模型处理的差异。我们表明，该信号有效识别导致异常功能变化的客户端，区分稳定但异构的客户端与那些更新显著偏离全局 regime 的客户端。结果表明，所提度量为监控客户端行为并在联邦学习系统中启用风险感知聚合策略提供了一个简单工具。
引用
@article{arxiv.2605.22266,
title = {Detecting Atypical Clients in Federated Learning via Representation-Level Divergence},
author = {Cristian Pérez-Corral and Jose I. Mestre and Alberto Fernández-Hernández and Manuel F. Dolz and Enrique S. Quitana-Ortí},
journal= {arXiv preprint arXiv:2605.22266},
year = {2026}
}