研究揭示联邦学习不同数据损坏需匹配不同检测信号
论文AI 评分 62/100arXiv cs.AI
AI 聚合
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
联邦学习数据损坏检测中，输入条件不确定性与预测标签损失对不同损坏模式表现迥异。在ResNet-20与CIFAR-10/SVHN的非独立同分布设定下，面对持续随机标签翻转，预测标签损失的客户端内AUC达0.85与0.95，而不确定性估计维持在随机水平(0.49-0.50)；面对图像加性噪声，预期熵不确定性升至0.67与0.66，损失响应为0.64。随全局损坏率上升，各信号优势更明显。评估数据质量应按损坏类型匹配信号，而非仅依赖不确定性。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载不同损坏的检测信号差异
该研究对比了联邦学习中两种数据损坏检测信号：输入条件不确定性与预测标签损失。不确定性信号通过学习的偶然方差估计、蒙特卡洛Dropout方差及熵来表征，而损失则根据提供的标签计算。实验基于ResNet-20模型，在CIFAR-10和SVHN数据集的Dirichlet划分下进行，符合非独立同分布设定。测试的损坏类型包括加性图像噪声和持续随机标签翻转。
标签翻转与图像噪声的实证结果
面对持续随机标签翻转，预测标签损失表现强劲，在CIFAR-10和SVHN上的客户端内单样本AUC分别达0.85和0.95；所有不确定性估计均停留在随机水平（0.49至0.50），这符合模型对底层图像保持自信而标签错误的现象。相反，面对图像噪声，预期熵不确定性升至0.67（CIFAR-10）和0.66（SVHN），高于随机水平，而损失的响应为0.64。随着联邦全局损坏率增加，各信号的优势更为显著。
数据质量评估策略建议
研究得出结论，每种信号对不同类型的损坏具有更强的检测能力：预测标签损失擅长捕捉持续标签翻转，预期熵不确定性则对图像噪声更敏感。因此，稳健的联邦学习数据质量评估应将检测信号与损坏类型相匹配，而非在所有损坏类型中仅依赖不确定性。该论文已被IEEE第四届联邦学习技术与应用国际会议接收。
为什么值得看
指明联邦学习用单一不确定性检测数据质量存在盲区，为针对标签错与特征噪的不同防御策略提供实证依据。
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。