在数据丰富的智慧城市中增强联邦学习的相互可信度
计算机科学与博弈论
2024-05-02 v1 机器学习
摘要
联邦学习是数据丰富的智慧城市中一种有前景的协作式隐私保护机器学习方法。然而，这些城市环境固有的异构性对选择可信客户端进行协作模型训练提出了重大挑战。传统方法（如随机客户端选择技术）的使用，由于可能选择恶意客户端，对系统的完整性构成了多种威胁。现有文献主要侧重于评估客户端的可信度，而忽略了联邦服务器可信度这一关键方面。为了弥补这一差距，在这项工作中，我们提出了一种新颖的框架，通过考虑客户端和服务器双方的信任需求来解决联邦学习中的相互可信度问题。我们的方法包括：（1）为服务器和客户端创建偏好函数，允许它们根据信任分数对彼此进行排名；（2）建立一个基于声誉的推荐系统，利用多个客户端来评估新连接的服务器；（3）为推荐设备分配可信度分数，以更好地衡量服务器可信度；（4）使用统计四分位距（IQR）方法为智能设备开发信任评估机制；（5）设计考虑双方偏好的智能匹配算法。基于模拟和实验结果，我们的方法通过提高信任水平、全局模型准确性以及减少系统中的不可信客户端，优于基线方法。
引用
@article{arxiv.2405.00394,
title = {Enhancing Mutual Trustworthiness in Federated Learning for Data-Rich Smart Cities},
author = {Osama Wehbi and Sarhad Arisdakessian and Mohsen Guizani and Omar Abdel Wahab and Azzam Mourad and Hadi Otrok and Hoda Al khzaimi and Bassem Ouni},
journal= {arXiv preprint arXiv:2405.00394},
year = {2024}
}