面向网络分布式联邦多任务学习中的在线可信性
机器学习
2025-09-03 v1 人工智能
摘要
多任务学习是解决联邦学习中因数据异构性导致模型个性化挑战的有效方法。然而，将多任务学习扩展到在线网络分布式联邦学习setting尚未被探索。该在线网络分布式联邦学习setting考虑到许多真实世界的联邦学习应用场景，例如自主系统，其中客户端之间进行点对点通信且每个客户端的数据分布随时间变化。在现实联邦学习应用中更严重的问题是面临拜占庭式客户端的存在。仅当拜占庭客户端数量小于总客户端数的一半时，拜占庭抗性方法才有效。然而，在实际系统中控制拜占庭客户端数量极其困难。然而，近期在机器人领域的研究表明，利用系统的网络-物理属性来预测客户端行为并为接收到的信号分配可信度概率，是可能的。这有助于在拜占庭客户端占主导地位的情况下实现韧性。因此，本文发展了一种面向在线网络分布式联邦多任务学习算法，以在拜占庭客户端占主导地位时提供模型个性化与韧性。我们的所提算法利用网络-物理属性，例如无线系统中接收信号强度或侧信息，为来自每个迭代中邻居所接收的本地模型分配可信度概率。我们的仿真结果表明，所提算法的性能接近拜占庭自由设置的水平。
引用
@article{arxiv.2509.00992,
title = {Online Decentralized Federated Multi-task Learning With Trustworthiness in Cyber-Physical Systems},
author = {Olusola Odeyomi and Sofiat Olaosebikan and Ajibuwa Opeyemi and Oluwadoyinsola Ige},
journal= {arXiv preprint arXiv:2509.00992},
year = {2025}
}