基于摘要统计量的自编码器增强型联邦异常检测
机器学习
2024-10-15 v1
摘要
在联邦学习（FL）中，由于数据去中心化且存在非独立同分布的数据分布，异常检测（AD）是一个具有挑战性的任务。本研究引入一种新型的联邦阈值计算方法，该方法利用来自正常数据和异常数据的摘要统计量，以提高使用自编码器（AE）在联邦设置下进行异常检测的准确性和鲁棒性。我们的方法聚合各客户机的本地摘要统计量，以计算一个最优地分离异常与正常数据之间的全局阈值，同时确保隐私保护。我们在各种数据分布情景下使用公开可用数据集进行了大量实验，包括信用卡欺诈检测、Shuttle和Covertype。结果表明，我们的方法在处理非独立同分布的数据分布时，始终优于现有的联邦和本地阈值计算技术。本研究还探讨了不同数据分布情景和客户机数量对联邦异常检测性能的影响。我们的发现突显了使用摘要统计量进行阈值计算在提高联邦异常检测系统的可扩展性和准确性方面的潜力。
引用
@article{arxiv.2410.09284,
title = {Enhanced Federated Anomaly Detection Through Autoencoders Using Summary Statistics-Based Thresholding},
author = {Sofiane Laridi and Gregory Palmer and Kam-Ming Mark Tam},
journal= {arXiv preprint arXiv:2410.09284},
year = {2024}
}