新的截断二次损失增强了联邦学习的鲁棒性

研究人员开发了一种利用截断二次（TQ）损失函数的新型联邦学习聚合规则。该新方法旨在提高对恶意攻击和数据异质性的鲁棒性，这是分布式学习系统中的重大挑战。与可能引入偏差并在高异质性和异常值存在下失效的居中裁剪和Huber聚合器等现有方法不同，TQ损失有效地缓解了这些问题。所提出的聚合器即使在非凸损失函数和异构数据的情况下也能实现最优阶的拜占庭鲁棒学习，从而提高了联邦学习系统的可靠性。在MNIST、Fashion-MNIST和CIFAR-10等数据集上的实验表明，与当前技术相比，其鲁棒性性能更优。 AI

影响 提高了分布式机器学习系统对抗恶意参与者和数据不一致性的可靠性和安全性。

排序理由 关于联邦学习新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

• Byzantine-robust decentralized stochastic optimization with stochastic gradient noise-independent learning error
• centered clipping
• CIFAR-10
• Fashion-MNIST
• federated learning
• Huber aggregators
• MNIST database
• Truncated-quadratic (TQ) loss

• 论文
• 其他

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →