Federated Averaging

联邦学习框架以97%的准确率增强5G干扰检测能力

研究人员开发了一个联邦学习框架，用于检测5G网络中的射频（RF）干扰攻击。该方法使用同步信号块（SSB）的同相（In-phase）和正交（Quadrature）样本来训练一维卷积神经网络（CNN），从而在不共享原始信号数据的情况下，实现用户设备之间的协作模型训练。联邦学习方法达到了97%的准确率和F1分数，在保护用户隐私的同时，性能优于集中式机器学习模型。