以基于四分位数的估计均值梯度聚合作为联邦图像分类基线
密码学与安全
2023-09-22 v1 人工智能
机器学习
摘要
联邦学习（FL）通过实现去中心化协作，同时保护敏感数据并提升模型性能，彻底改变了我们训练深度神经网络的方式。然而，FL 面临两个关键挑战：各客户端所持有数据的多样性，以及 FL 系统易受安全攻击的脆弱性。本文提出一种名为估计均值聚合（EMA）的创新解决方案，它不仅应对了这些挑战，还为 FL 系统中的高级聚合技术提供了一个作为基线的根本参考点。EMA 的重要性在于其双重作用：通过截尾均值有效处理恶意离群值从而增强模型安全性，并揭示数据异质性以确保训练出的模型能适应不同客户端数据集。通过大量实验，EMA 相较于其他方法始终表现出更高的准确率和曲线下面积（AUC），确立了其作为评估 FL 聚合方法有效性与安全性的稳健基线。因此，EMA 的贡献在推进 FL 背景下去中心化深度学习的效率、安全性与多功能性方面迈出了关键一步。
引用
@article{arxiv.2309.12267,
title = {Enabling Quartile-based Estimated-Mean Gradient Aggregation As Baseline for Federated Image Classifications},
author = {Yusen Wu and Jamie Deng and Hao Chen and Phuong Nguyen and Yelena Yesha},
journal= {arXiv preprint arXiv:2309.12267},
year = {2023}
}