FedIDM：反復型分布マッチングによってビザンチン型フェデレーテッドラーニングの高速かつ安定した収束を実現

Abstract

既存の多くの、Byzantine耐性を備えた連合学習（FL）手法は、収束が遅く不安定であるという問題を抱えています。さらに、相当数の結託した悪意のあるクライアントを扱う場合、耐性を実現するためには通常、モデルの有用性を損なうことになります。これらの課題に対処するため、本研究では、異常なクライアントを識別しフィルタリングするために、信頼できる縮約データを構築する分布マッチングを用いるFedIDMを提案します。FedIDMは主に2つの構成要素から成ります：（1）攻撃耐性を備えた縮約データ生成、そして（2）負の寄与に基づくリジェクションを伴う堅牢な集約です。これらの構成要素は、（1）縮約データから導かれる更新方向から逸脱する、または（2）縮約データセット上で大きな損失を引き起こす、というローカル更新を除外します。3つのベンチマークデータセットに対する包括的な評価により、FedIDMは、多数の悪意のあるクライアントを含む複数の最先端のByzantine攻撃の下でも、モデル有用性を許容範囲に保ちながら、速く安定した収束を達成することが示されます。