Cost-TrustFL：面向多云环境的面向成本的层次化联邦学习与轻量级声誉评估
计算机视觉与模式识别
2025-12-24 v1
摘要
跨多云环境的联邦学习面临关键挑战，包括非独立同分布的数据、恶意参与者检测以及大量的跨云通信成本（如出站费用）。现有的拜占庭鲁棒方法主要关注模型精度，忽视了数据在云提供商之间传输的经济影响。本文提出Cost-TrustFL，一个层次化联邦学习框架，旨在联合优化模型性能和通信成本，同时提供对投毒攻击的稳健防御。我们提出了一种基于梯度的近似Shapley值计算方法，将复杂度从指数级降低到线性级，实现轻量级声誉评估。我们的成本感知聚合策略优先处理内部云通信，以最小化昂贵的跨云数据传输。在CIFAR-10和FEMNIST数据集上的实验表明，Cost-TrustFL在30%恶意客户端情况下实现86.7%的准确率，同时将通信成本较基线方法降低32%。该框架在不同非独立同分布程度和攻击强度下均保持稳定的性能，具有实际应用价值，适用于真实世界的多云部署。
引用
@article{arxiv.2512.20217,
title = {LiteFusion: Taming 3D Object Detectors from Vision-Based to Multi-Modal with Minimal Adaptation},
author = {Xiangxuan Ren and Zhongdao Wang and Pin Tang and Guoqing Wang and Jilai Zheng and Chao Ma},
journal= {arXiv preprint arXiv:2512.20217},
year = {2025}
}
备注
13 pages, 9 figures, 8 tables