基于储位分析的联邦学习时间序列异常检测
机器学习
2025-02-17 v2
摘要
随着数据隐私 concern 的不断增加，联邦学习日益成为在不共享本地分布数据的情况下训练机器学习模型的有前景的框架。在联邦学习中，通过模型参数共享反复进行本地模型训练和服务器模型集成。大多数现有联邦学习方法假设训练深度学习模型，这些模型往往计算需求较高。为解决此问题，我们提出了结合储位分析的联邦学习方法，以寻求计算效率和数据隐私保护的双重目标。具体而言，我们的方法依赖于储位状态的马氏距离（MD-RS）方法，针对时间序列异常检测，该方法学习正常输入的储位状态分布，并基于与所学分布的偏差来检测异常。MD-RS中统计参数的迭代更新使我们能够实现增量式联邦学习（IncFed MD-RS）。我们使用基准数据集评估了IncFed MD-RS在时间序列异常检测中的性能。结果表明，IncFed MD-RS在客户端数据相对短小且异构的情况下，优于其他基于深度学习和储位计算模型的联邦学习方法。我们还展示IncFed MD-RS在减少样本数据方面具有鲁棒性。我们还表明，通过对储位状态进行抽样而无需性能下降即可降低IncFed MD-RS的计算成本。该方法在计算效率、算法简单性和低通信成本要求严格的异常检测应用中具有重要意义。
引用
@article{arxiv.2502.05679,
title = {Federated Learning with Reservoir State Analysis for Time Series Anomaly Detection},
author = {Keigo Nogami and Hiroto Tamura and Gouhei Tanaka},
journal= {arXiv preprint arXiv:2502.05679},
year = {2025}
}
备注
8 pages, 16 figures, submitted to IJCNN 2025