物联网网络中异常检测的联邦半监督和半异步学习
摘要：在现有的基于联邦学习的方法中，基于数据在客户端具有完整标注的假设是不现实的。此外，在高度异构和资源受限的物联网网络中如何提高训练效率并确保检测准确性是一个巨大的挑战。与此同时，客户端和服务器之间的通信成本也是一个不可忽视的问题。因此，在本文中，我们提出了一种用于物联网网络中异常检测的联邦半监督和半异步（FedS3A）学习方法。首先，我们考虑了一种更现实的假设，即标记数据仅在服务器端可用，并利用伪标记来实现联合半监督学习，在其中利用了一种动态的加权方法平衡服务器端的有监督学习和客户端的无监督学习。然后，我们提出了一种半异步模型更新和容忍滞后分布方案，以在轮效率和检测准确性之间进行权衡。同时，考虑了局部模型的滞后性和客户端的参与频率来调整它们对全局模型的贡献。此外，提出了一种基于组的聚合函数来处理数据的非独立同分布。最后，采用基于稀疏矩阵的差异传输来减少通信成本。大量的实验结果表明，即使数据是非独立同分布的，FedS3A也能够实现超过98\%的准确性，并且在检测性能和轮效率方面优于经典的基于联邦学习的算法，实现了双赢的局面。与此同时，FedS3A成功地将通信成本降低了超过50\%。
作者：Wenbin Zhai, Feng Wang, Liang Liu, Youwei Ding, and Wanying Lu
论文ID：2308.11981
分类：Distributed, Parallel, and Cluster Computing
分类简称：cs.DC
提交时间：2023-08-24