面向非独立同分布数据下无人机赋能联邦边缘学习的可靠参与
机器学习
2023-12-19 v1 人工智能
密码学与安全
分布式、并行与集群计算
摘要
联邦学习 (FL) 是一种去中心化的机器学习 (ML) 技术，允许若干参与者协作训练 ML 模型，而无需与他人共享其私有本地数据集。当参与者为无人机 (UAV) 时，由于主要收集的数据高度倾斜（非独立同分布 - Non-IID），无人机赋能的 FL 会经历异构性。此外，无人机可能表现出无意的不当行为，例如由于高移动性、不可用或电池耗尽导致无人机与 FL 系统断开连接，后者可能无法向 FL 服务器发送更新。这些挑战可能显著影响 FL 模型的收敛。应对这些挑战的一种近期方法是客户端选择，即基于考虑无人机计算能力和能耗的定制标准进行选择。然而，大多数现有的客户端选择方案忽略了参与者的可靠性。事实上，FL 可能成为投毒攻击的目标，恶意无人机通过为特定选择的输入提供有针对性的错误预测，或通过篡改本地模型来损害全局模型的准确性，从而向 FL 服务器上传有毒的本地模型。因此，我们在本文中提出了一种新颖的客户端选择方案，通过优先考虑具有高可靠性得分的快速无人机并从训练中剔除恶意无人机来增强收敛性。通过实验，我们评估了我们的方案在抵抗不同攻击场景方面的有效性，评估指标为收敛性和实现的模型准确性。最后，我们证明了所提方法相比基线方法的性能优越性。
引用
@article{arxiv.2312.10411,
title = {Towards Reliable Participation in UAV-Enabled Federated Edge Learning on Non-IID Data},
author = {Youssra Cheriguene and Wael Jaafar and Halim Yanikomeroglu and Chaker Abdelaziz Kerrache},
journal= {arXiv preprint arXiv:2312.10411},
year = {2023}
}