面向物联网网络的联邦结构稀疏主成分分析异常检测

尽管联邦学习因其针对分布式物联网(IoT)环境的隐私保护框架而受到关注，但当前的联邦主成分分析(PCA)方法缺乏稀疏性的集成，这是健壮异常检测的关键特征。为此，我们提出一种 novel 的联邦结构稀疏 PCA(FedSSP)方法用于物联网网络的异常检测。该模型独特地集成了双稀疏正则化：(1) 行稀疏性通过 $\ell_{2,p}$-范数实现，其中 $p\in [0,1)$ 用于消除冗余特征维度；(2) 元素稀疏性通过 $\ell_{q}$-范数实现，其中 $q\in [0,1)$ 用于抑制噪声敏感成分。为在分布式设置中求解该非凸问题，我们设计了一种基于proximal 交替最小化(PAM)的高效优化算法。数值实验验证了 incorporating 结构稀疏性可提高模型可解释性和检测准确性。我们的代码已公开于 https://github.com/xianchaoxiu/FedSSP。