FedKAD

联邦库普曼学习框架增强物联网异常检测

研究人员开发了FedKAD，一个新颖的联邦学习框架，专为物联网（IoT）系统的异常检测而设计。该方法利用轻量级库普曼表示来学习正常的时间动态，避免了对大型神经网络模型的需求，并减少了通信开销。FedKAD将联邦训练构建为一个低秩共识问题，使设备能够交换紧凑的子空间变量而不是原始数据。实验表明，FedKAD在检测性能上可与联邦深度学习方法相媲美或更优，同时提供显著更快的训练速度、更低的通信成本和更低的推理延迟，使其适用于资源受限的边缘设备。