
-
生物通官微
陪你抓住生命科技
跳动的脉搏
NAAFL:一种非权威性的无政府联邦学习方法,用于防御恶意攻击
《IEEE Transactions on Sustainable Computing》:NAAFL: A Non-Authoritative Anarchic Federated Learning for Defending Against Malicious Attacks
【字体: 大 中 小 】 时间:2025年12月11日 来源:IEEE Transactions on Sustainable Computing 3.9
编辑推荐:
非权威去中心化联邦学习框架NAAFL提出地区信用筛选机制、多设备验证投票机制和联邦链共识机制,在降低77.51%资源消耗的同时抵御高达80%恶意攻击,优于现有区块链联邦学习方法。
如今,传统的机器学习(ML)难以处理日益增长的海量数据,因此引入了分布式机器学习(DML)[1]。DML在网络边缘以分布式方式处理数据,从而减轻了中央服务器的负担[2]。然而,DML在训练任务中必须共享数据,这可能导致数据泄露的风险。为了解决这些问题,谷歌提出了一种称为联邦学习(FL)的隐私保护分布式学习方法[3]。在FL中,中央服务器与客户端(例如手机和物联网设备)相连,客户端使用自己的数据集来训练ML模型[4]。然后,中央服务器汇总来自每个客户端的训练模型。值得注意的是,在整个过程中,客户端不会将自己的原始数据共享给服务器[5]。与传统DML相比,FL显著提高了客户的隐私保护水平[6],[7]。