FedNova

研究发现联邦学习准确率可能掩盖模型关键故障

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。