基于递归欧几里得距离的联邦学习鲁棒聚合方法
机器学习
2023-03-22 v1 人工智能
摘要
联邦学习因能解决机器学习中的数据可用性与隐私挑战而日益流行。然而，联邦学习中将局部模型更新聚合以获得全局模型的过程易受恶意攻击，如后门投毒、标签翻转和成员推断。恶意用户旨在通过用恶意数据训练局部模型来破坏协作学习过程。本文提出一种基于递归欧几里得距离计算的新型鲁棒聚合方法。我们的方法度量局部模型与先前全局模型的距离并相应分配权重。远离全局模型的局部模型被分配较小权重，以最小化聚合过程中的数据投毒影响。实验表明，所提算法在准确率上至少优于最先进算法 ，同时将时间复杂度降低不到 。我们的贡献意义重大，因为它在提高全局模型准确率的同时，解决了联邦学习中恶意攻击这一关键问题。
引用
@article{arxiv.2303.11337,
title = {Recursive Euclidean Distance Based Robust Aggregation Technique For Federated Learning},
author = {Charuka Herath and Yogachandran Rahulamathavan and Xiaolan Liu},
journal= {arXiv preprint arXiv:2303.11337},
year = {2023}
}