面向联邦学习设置的全局异常检测：基于 Isolation Forest
机器学习
2024-09-23 v1 人工智能
摘要
我们提出了一种用于检测联邦学习环境中全局异常值的新方法，特别针对跨砖块场景进行优化。我们的方案涉及两个服务器以及来自客户端的掩码化本地数据传输。数据掩码可防止敏感信息泄露，同时仍允许识别异常值。此外，为进一步保护隐私，我们实施了置换机制，使得服务器无法知道任何掩码数据点所属的客户端。服务器对掩码数据执行异常检测，使用 Isolation Forest 或其扩展版本，然后将异常信息传输回客户端，使其能够在开始任何后续联邦模型训练前识别并删除其本地数据集中的异常值。该方法可与在平凡数据上对 Isolation Forest 算法进行集中执行的结果相当。
引用
@article{arxiv.2409.13466,
title = {Global Outlier Detection in a Federated Learning Setting with Isolation Forest},
author = {Daniele Malpetti and Laura Azzimonti},
journal= {arXiv preprint arXiv:2409.13466},
year = {2024}
}
备注
Accepted for publication at FLTA 2024: The 2nd IEEE International Conference on Federated Learning Technologies and Applications