一项比较用于网络入侵检测的联邦学习算法的研究项目显示，高全局准确率可能会掩盖在少数数据孤岛上的糟糕表现。研究发现，FedAvg 实现了 96% 的全局准确率，但在一个只有 300 万个样本中的 3000 个样本的“Web 攻击”小孤岛中，它漏报了所有攻击。相比之下，FedNova 在所有孤岛和种子中都表现出持续的高性能，这凸显了客户端性能指标和聚合方法对于检测罕见攻击的重要性。 AI
影响 强调了在联邦学习中，尤其是在处理不平衡数据集时，需要有可靠的评估指标，以确保在实际应用中的性能稳定。
排序理由 研究论文，详细介绍了关于联邦学习算法和评估指标的发现。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
