-
题名一种基于自适应加权的鲁棒联邦学习算法
被引量：2
- 1
-
-
作者
张连福
谭作文
-
机构
江西财经大学信息管理学院计算机科学与技术系
宜春学院数学与计算机科学学院
-
出处
《计算机科学》
CSCD
北大核心
2023年第S01期799-807,共9页
-
基金
国家自然科学基金(61862028)
江西省教育厅青年科技项目(GJJ210529)。
-
文摘
联邦学习(Federated Learning,FL)允许多个数据所有者联合训练机器学习模型,而无需他们共享私有训练数据。然而,研究表明,FL容易同时遭受拜占庭攻击和隐私泄露威胁,现有的研究都没有很好地解决这一问题。在联邦学习场景中,保护FL免受拜占庭攻击,同时考虑性能、效率、隐私、攻击者数量、简单可行等问题,是一个极具挑战性的问题。为解决这一问题,基于l 2范数和两次归一化方法提出了一种隐私保护鲁棒联邦学习算法DP-FedAWA。提出的算法不需要训练过程之外的任何假设,并且可以自适应地处理少量和大量的攻击者。无防御设置下选用DP-FedAvg作为比较基线,防御设置下选用Krum和Median作为比较基线。MedMNIST2D数据集上的广泛实验证实了,DP-FedAWA算法是安全的,对恶意客户端具有很好的鲁棒性,在Accuracy,Precision,Recall和F1-Score等性能指标上全面优于现有的Krum和Median算法。
-
关键词
自适应加权
l
2范数距离
两次归一化
拜占庭攻击
鲁棒联邦学习
差分隐私
-
Keywords
Adaptive weighting
l 2-norm distance
Quadratic normalization
Byzantine attacks
Robust federated learning
Differential privacy
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
