面向 IoT 异常检测的高效个性化联邦 PCA 及其流形优化
机器学习
2026-02-16 v1
摘要
物联网（IoT）网络因其分布式特性和资源受限而面临日益增加的安全威胁。尽管联邦学习（FL）作为面向分布式 IoT 环境的隐私保留框架而获得了 prominence，但当前的联邦主成分分析（PCA）方法缺乏个性化和鲁棒性的集成，这两者是有效异常检测的关键。为此，我们提出一种高效个性化联邦 PCA（FedEP）方法，用于 IoT 网络中的异常检测。该模型通过引入 -范数实现元素稀疏的局部表示，同时通过强制局部模型使用 -范数实现行稀疏以保持鲁棒性。为解决此非凸问题，我们开发一种基于交替方向乘子法（ADMM）的流形优化算法，并提供严格的收敛保证。实验结果表明，所提 FedEP 在 various IoT 安全场景中均优于最新 FedPG 方法，实现卓越的 F1 分数和准确率。我们的代码将在 \href{https://github.com/xianchaoxiu/FedEP}{https://github.com/xianchaoxiu/FedEP} 公开。
引用
@article{arxiv.2602.12622,
title = {Efficient Personalized Federated PCA with Manifold Optimization for IoT Anomaly Detection},
author = {Xianchao Xiu and Chenyi Huang and Wei Zhang and Wanquan Liu},
journal= {arXiv preprint arXiv:2602.12622},
year = {2026}
}