論文の概要: BEV-SGD: Best Effort Voting SGD for Analog Aggregation Based Federated
Learning against Byzantine Attackers
- arxiv url: http://arxiv.org/abs/2110.09660v1
- Date: Mon, 18 Oct 2021 23:55:13 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-20 15:04:13.896292
- Title: BEV-SGD: Best Effort Voting SGD for Analog Aggregation Based Federated
Learning against Byzantine Attackers
- Title（参考訳）: BEV-SGD:アグリゲーションに基づくビザンチン系攻撃者に対するフェデレーション学習のためのベストエフォート投票SGD
- Authors: Xin Fan, Yue Wang, Yan Huo, and Zhi Tian
- Abstract要約: 本稿では,既存のFLOA文献で広く用いられているチャネル反転(CI)電力制御機構を解析する。
我々は、勾配降下(SGD)と統合されたBEV(Best effort voting)電力制御政策と呼ばれる新しい防衛方式を提案する。
私たちのBEV-SGDは、すべての労働者が最大送信電力でローカル更新を送信できるようにすることで、FLOAのビザンチン攻撃に対する堅牢性を改善します。
- 参考スコア（独自算出の注目度）: 32.14738452396869
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: As a promising distributed learning technology, analog aggregation based
federated learning over the air (FLOA) provides high communication efficiency
and privacy provisioning in edge computing paradigm. When all edge devices
(workers) simultaneously upload their local updates to the parameter server
(PS) through the commonly shared time-frequency resources, the PS can only
obtain the averaged update rather than the individual local ones. As a result,
such a concurrent transmission and aggregation scheme reduces the latency and
costs of communication but makes FLOA vulnerable to Byzantine attacks which
then degrade FLOA performance. For the design of Byzantine-resilient FLOA, this
paper starts from analyzing the channel inversion (CI) power control mechanism
that is widely used in existing FLOA literature. Our theoretical analysis
indicates that although CI can achieve good learning performance in the
non-attacking scenarios, it fails to work well with limited defensive
capability to Byzantine attacks. Then, we propose a novel defending scheme
called best effort voting (BEV) power control policy integrated with stochastic
gradient descent (SGD). Our BEV-SGD improves the robustness of FLOA to
Byzantine attacks, by allowing all the workers to send their local updates at
their maximum transmit power. Under the strongest-attacking circumstance, we
derive the expected convergence rates of FLOA with CI and BEV power control
policies, respectively. The rate comparison reveals that our BEV-SGD
outperforms its counterpart with CI in terms of better convergence behavior,
which is verified by experimental simulations.
- Abstract（参考訳）: 有望な分散学習技術として、アナログアグリゲーションに基づくFLOA(Federated Learning over the Air)は、エッジコンピューティングパラダイムにおける通信効率とプライバシ提供を提供する。
全てのエッジデバイス(作業者)が共通に共有される時間周波数リソースを通じてパラメータサーバ(PS)にローカル更新を同時にアップロードすると、PSは個々のローカル更新よりも平均更新しか取得できない。
その結果、このような同時送信と集約方式は通信のレイテンシとコストを低減させるが、FLOAをビザンティン攻撃に脆弱にし、FLOA性能を低下させる。
ビザンチン耐性FLOAの設計には,既存のFLOA文献で広く使われているチャネル反転(CI)電力制御機構の解析から着手する。
我々の理論的分析は、CIは非攻撃シナリオで優れた学習性能を達成できるが、ビザンチン攻撃に対する防御能力の制限がうまく機能しないことを示している。
そこで我々は,確率勾配降下(SGD)と統合されたBEV電力制御政策という新しい防衛方式を提案する。
当社のbev-sgdは,全作業員が最大送信電力でローカルアップデートを送信できるようにすることで,ビザンチン攻撃に対するフローアの堅牢性を向上させる。
最強の攻撃状況下では、それぞれFLOAとCI、BEVの電力制御ポリシーの収束率が期待される。
速度比較の結果,bev-sgdは,実験シミュレーションにより検証された収束挙動において,ciに匹敵する値を示した。
関連論文リスト
- Embedding Byzantine Fault Tolerance into Federated Learning via Virtual Data-Driven Consistency Scoring Plugin [3.536605202672355]
本稿では,Byzantine-Resilienceを実現するために既存のFL技術に統合可能な直感的なプラグインを提案する。
医用画像分類タスクの数値的な結果は,提案手法を代表FLアルゴリズムに組み込むことで,効果的にビザンチンレジリエンスを実現する。
論文 参考訳（メタデータ） (2024-11-15T14:17:19Z) - Effective Intrusion Detection in Heterogeneous Internet-of-Things Networks via Ensemble Knowledge Distillation-based Federated Learning [52.6706505729803]
我々は、分散化された侵入検知システムの共有モデル(IDS)を協調訓練するために、フェデレートラーニング(FL)を導入する。
FLEKDは従来のモデル融合法よりも柔軟な凝集法を実現する。
実験の結果,提案手法は,速度と性能の両面で,局所訓練と従来のFLよりも優れていた。
論文 参考訳（メタデータ） (2024-01-22T14:16:37Z) - Towards Reliable Participation in UAV-Enabled Federated Edge Learning on
Non-IID Data [22.775113283662883]
Federated Learning(FL)は、多くの参加者が共同でMLモデルをトレーニングできる、分散機械学習(ML)技術である。
FLは、悪意のあるUAVが有毒なローカルモデルをFLサーバーにアップロードする攻撃によって標的にすることができる。
本稿では,信頼性の高い高速UAVを優先することで収束性を高める新しいクライアント選択方式を提案する。
論文 参考訳（メタデータ） (2023-12-16T10:35:06Z) - Semi-Federated Learning: Convergence Analysis and Optimization of A
Hybrid Learning Framework [70.83511997272457]
本稿では,ベースステーション(BS)とデバイスの両方を活用するセミフェデレーション学習(SemiFL)パラダイムを提案し,中央集権学習(CL)とFLのハイブリッド実装を提案する。
我々はこの難解な問題を解くための2段階のアルゴリズムを提案し、ビームフォーマに閉形式解を提供する。
論文 参考訳（メタデータ） (2023-10-04T03:32:39Z) - UAV Swarm-enabled Collaborative Secure Relay Communications with
Time-domain Colluding Eavesdropper [115.56455278813756]
航空中継機としての無人航空機(UAV)は、インターネットモノ(IoT)ネットワークの補助として事実上魅力的である。
本研究では,UAV基地局と端末端末装置間のセキュアな通信を支援するために,UAVを活用することを目的とする。
論文 参考訳（メタデータ） (2023-10-03T11:47:01Z) - Federated Learning in UAV-Enhanced Networks: Joint Coverage and
Convergence Time Optimization [16.265792031520945]
フェデレートラーニング(FL)には、ローカルデータを転送することなく、共有モデルを協調的にトレーニングする複数のデバイスが含まれる。
FLは通信のオーバーヘッドを減らし、エネルギー資源の少ないUAV強化無線ネットワークにおいて有望な学習方法となる。
この可能性にもかかわらず、UAVに強化されたネットワークにFLを実装することは困難であり、カバー範囲を最大化する従来のUAV配置手法はFL遅延を増大させる。
論文 参考訳（メタデータ） (2023-08-31T17:50:54Z) - Integrated Sensing, Computation, and Communication for UAV-assisted
Federated Edge Learning [52.7230652428711]
フェデレーションエッジ学習(FEEL)は、エッジデバイスとサーバ間の定期的な通信を通じて、プライバシ保護モデルトレーニングを可能にする。
無人航空機(UAV)搭載エッジデバイスは、効率的なデータ収集における柔軟性と移動性のため、FEELにとって特に有利である。
論文 参考訳（メタデータ） (2023-06-05T16:01:33Z) - Trustworthy Federated Learning via Blockchain [30.887469477336783]
統合学習(FL)は、コラボレーティブデバイス上でグローバルAIモデルをトレーニングするための、有望なプライバシ保護フレームワークとみなされている。
FLフレームワークには、悪意のあるデバイスからのビザンチン攻撃や、悪意のあるサーバからのモデル改ざん攻撃など、セキュリティ上の課題がまだ残っている。
セキュアなグローバルアグリゲーションアルゴリズムを用いて、悪意のあるデバイスに抵抗する分散FL(B-FL)アーキテクチャを提案する。
我々は,B-FLがエッジデバイスやサーバからの悪意ある攻撃に抵抗できることを示し,B-FLのトレーニング遅延を深層強化学習に基づくアルゴリズムにより著しく低減できることを示した。
論文 参考訳（メタデータ） (2022-08-13T03:43:10Z) - Gradient Statistics Aware Power Control for Over-the-Air Federated
Learning [59.40860710441232]
フェデレートラーニング(FL)は、多くのエッジデバイスが無線ネットワークで機械学習モデルを協調的にトレーニングできる有望なテクニックである。
本稿では、勾配統計を考慮に入れたオーバー・ザ・エアFLの電力制御問題について検討する。
論文 参考訳（メタデータ） (2020-03-04T14:06:51Z) - Federated Learning in the Sky: Joint Power Allocation and Scheduling
with UAV Swarms [98.78553146823829]
無人航空機(UAV)は様々なタスクを実行するために機械学習(ML)を利用する必要がある。
本稿では,UAVスワム内に分散学習(FL)アルゴリズムを実装するための新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2020-02-19T14:04:01Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。