FedAD-Bench：面向表格数据的联邦无监督异常检测统一基准

联邦学习（FL）的出现为利用去中心化数据同时保护隐私提供了一种有前景的方法。此外，联邦学习与异常检测的结合尤其引人注目，因为它允许在来自多个来源（如网络安全和医疗保健）的敏感数据中检测罕见且关键的异常（通常在本地收集的数据中也很罕见）。然而，在联邦学习环境中对异常检测方法的性能进行基准测试仍然是一个探索不足的领域。本文介绍了FedAD-Bench，这是一个用于在联邦学习背景下评估无监督异常检测算法的统一基准。我们系统地分析并比较了近期深度学习异常检测模型在联邦设置下的性能，这些模型通常仅在集中式设置下进行评估。FedAD-Bench包含多样化的数据集和指标，以提供整体评估。通过大量实验，我们识别出关键挑战，例如模型聚合效率低下和指标不可靠。我们提出了关于联邦学习正则化效应的见解，揭示了由于其固有的减轻过拟合的能力，联邦学习在某些场景下优于集中式方法。我们的工作旨在建立一个标准化的基准，以指导联邦异常检测领域的未来研究和发展，促进跨研究的可复现性和公平比较。