ビザンチン耐性を備えた連合学習の動的メタ層集約

要約: 連邦学習（FL）は、医療、金融、IoT などの分野でますます適用されており、ユーザのプライバシーを保護しつつ協調的なモデル訓練を可能にします。 しかしながら、FLシステムは、悪意ある更新を注入するビザンチン型の攻撃者に対して脆弱であり、それがグローバルモデルの性能を著しく低下させる可能性があります。 既存の防御は特定の攻撃タイプに焦点を当てがちで、マルチラベル反転やノイズとバックドアパターンの組み合わせといった標的外れな戦略には対処できません。 これらの限界を克服するために、マルチラベル反転および標的外れの汚染攻撃を、メタラーニングに触発された適応的集約フレームワークを用いて対抗する新しい防御機構FedAOTを提案します。 FedAOTは、クライアントの更新を信頼性に基づいて動的に重み付けし、事前に定義された閾値や制約的な攻撃仮定に頼らずに、敵対的な影響を抑制します。 特に、FedAOTは多様なデータセットやさまざまな攻撃タイプに対して効果的に一般化し、これまでに見られていなかったシナリオでも堅牢な性能を維持します。 実験結果は、FedAOTがモデルの精度と堅牢性を大幅に向上させつつ、計算効率を維持することを示しており、セキュアな連邦学習に対してスケーラブルで実用的な解決策を提供します。