边缘网络中抵抗模型扰动的鲁棒联邦学习
机器学习
2025-06-02 v1 分布式、并行与集群计算
摘要
联邦学习 (FL) 是实现边缘智能的一种有前景的范式，它通过共享模型而不是原始数据，允许分布式边缘设备之间进行协作学习。然而，共享模型通常被假设为理想的，但在实践中由于各种扰动，这不可避免地会被违反，从而导致显著的性能下降。为了克服这一挑战，我们提出了一种新方法，称为基于锐度最小化的鲁棒联邦学习 (SMRFL)，旨在通过探索模型景观的几何特性来提高模型对扰动的鲁棒性。具体而言，SMRFL求解一个极小-极大优化问题，通过最小化模型参数邻域内的最大损失来促进模型收敛至平坦极小值。这样，由于平坦极小值邻域内的模型也具有低损失值，模型对扰动的敏感性降低，鲁棒性增强。理论结果证明，SMRFL能以与无扰动FL相同的速率收敛。广泛的实验结果表明，在三种扰动场景下的两个真实世界数据集上，与三种基线方法相比，SMRFL显著增强了对扰动的鲁棒性。
引用
@article{arxiv.2505.24728,
title = {Robust Federated Learning against Model Perturbation in Edge Networks},
author = {Dongzi Jin and Yong Xiao and Yingyu Li},
journal= {arXiv preprint arXiv:2505.24728},
year = {2025}
}
备注
Accepted by IEEE ICC 2025