联邦学习（FL）是一种新兴的分布式机器学习（ML）技术，其特征在于非独立同分布（Non-IID）数据、统计异质性以及预期大量参与客户端以协作训练共享模型，而无需将训练数据融合到一个集中式服务器中。最先进的FL研究集中于基于梯度的模型，这不适用于利用基于树的学习方法（如随机森林）的ML入侵检测系统。将典型的基于梯度的FL方法调整为基于树的训练技术并非易事，因为对来自不同随机森林的树进行集成和决策树聚合在计算、空间和时间上都是密集的。为克服这些挑战，本文提出了FedRand，一种用于物联网（IoT）网络异常检测的新的自适应联邦随机森林聚合学习技术。本文全面审查了一系列在联邦学习框架内的新型树选择和聚合策略，以确保模型准确性强大、聚合加速以及全局模型收敛。我们相信这项工作为联邦基于树的学习技术开辟了一种有前途的解决方案。
Babalola等（周五）研究了这个问题。