第三者監査人を利用したフェデレーテッドラーニング：効率的なビザンチン耐性フェデレーテッドラーニング

フェデレーテッドラーニング（FL）は、分散データを用いたモデルのトレーニングにおいて、モノのインターネット（AIoT）における人工知能のための分散型機械学習技術として期待されています。しかしながら、FLは多様な参加者によるビザンチン攻撃に脆弱です。これまで多くのビザンチン耐性FLソリューションが提案されてきましたが、そのほとんどが集約サーバーまたは参加者のレベルにおいて防御を配置することを含み、元のFLプロセスに大きな影響を与えます。さらに、これはサーバーまたは参加者に追加の計算負荷をもたらし、特にリソース制約のあるAIoTドメインには不適切です。上記の懸念を解決するために、私たちはFL-Auditorを提案します。これは、公開監査に基づくビザンチン耐性FLアプローチです。その核心的なアイデアは、第三者監査人（TPA）を用いてFLトレーニングプロセスからのサンプルを監査し、さまざまな参加者の信頼性を分析することにより、FLがより堅牢なグローバルモデルを取得するのを助けることです。さらに、サンプリング監査がグローバルモデルのパフォーマンスに与える悪影響を軽減するための怠惰な更新メカニズムも設計しています。広範な実験により、私たちのFL-Auditorは精度、攻撃に対する堅牢性、および柔軟性の観点からその有効性が実証されています。特に、既存の手法と比較して、私たちのFL-Auditorは集約サーバーでの計算時間を8×-17×大幅に削減します。