联邦学习中用于排除含毒化数据客户端的探索与利用
分布式、并行与集群计算
2022-05-02 v1 机器学习
摘要
联邦学习 (FL) 是热门研究课题之一，它以分布式方式利用机器学习 (ML)，而无需直接访问客户端上的私有数据。然而，FL 面临诸多挑战，包括难以获得高准确率、客户端与服务器间的高通信成本，以及与对抗式 ML 相关的安全攻击。为应对这三个挑战，我们提出了一种受进化技术启发的 FL 算法。该算法将客户端随机分组为多个簇，每簇随机选择一个模型以探索不同模型的性能。随后这些簇在重复过程中训练，每次迭代移除表现最差的簇，直到仅剩一个簇。在每次迭代中，一些客户端因使用毒化数据或低性能而被逐出簇。存活的客户端在下一轮迭代中被利用。带有存活客户端的剩余簇随后用于训练最佳的 FL 模型（即剩余 FL 模型）。由于最终训练 FL 模型时使用的客户端更少，通信成本得以降低。为评估所提算法性能，我们使用 FEMNIST 数据集进行了若干实验，并与随机 FL 算法的结果进行比较。实验结果表明，所提算法在准确率、通信成本和安全性方面均优于基线算法。
引用
@article{arxiv.2204.14020,
title = {Exploration and Exploitation in Federated Learning to Exclude Clients with Poisoned Data},
author = {Shadha Tabatabai and Ihab Mohammed and Basheer Qolomany and Abdullatif Albasser and Kashif Ahmad and Mohamed Abdallah and Ala Al-Fuqaha},
journal= {arXiv preprint arXiv:2204.14020},
year = {2022}
}
备注
Accepted at 2022 IWCMC