비잔틴 공격 하의 연합 학습 안정성

연합 학습(FL)은 개인적이고 분산된 모델 훈련을 가능하게 하는 기계 학습 접근법입니다. FL은 여러 응용 프로그램에서 매우 유용한 것으로 나타났지만, 그 개인 정보 보호 제약으로 인해 모델 업데이트의 투명성이 결여되어 여러 유형의 공격에 취약하게 만듭니다. 특히, 상세한 수렴 분석을 기반으로, 우리는 이 논문에서 전통적인 모델 결합 방식을 사용할 때 무작위 보고를 계속 보내는 단일 비잔틴 노드조차 전체 FL 모델을 비유용한 솔루션으로 발산하게 만든다는 것을 보여줍니다. 모델 규범만을 조절하여 FL 시스템을 안정화하고 최적이 아닌 솔루션으로 수렴하도록 하는 낮은 복잡도의 모델 결합 접근법도 제안됩니다. 이 논문에서 제시된 발견을 검증하고 심장 이상을 식별하는 데 제안된 접근법의 효율성을 보여주기 위해 Physikalisch-Technische Bundesanstalt의 초대형 심전도(PTB-XL ECG) 데이터셋이 사용됩니다.