标签
本文介绍了SWB-DM，一种用于联邦学习的鲁棒聚合方法，该方法结合了切片瓦瑟斯坦重心和延迟动量缓存，以有效处理拜占庭攻击和部分参与问题。
Thermo-FL是一个用于边缘设备上大语言模型的联邦LoRA微调框架，它利用设备温度来调节训练和传输，并结合一种鲁棒的聚合方法以抵御对抗性攻击，从而增强稳定性和性能。
本文针对良性及对抗性客户端异质性下的航空发动机剩余使用寿命预测，对联邦学习进行了受控研究，评估了个性化和拜占庭鲁棒聚合方法。研究发现，共享表示个性化缩小了本地与集中式准确率之间的绝大部分差距；使用Krum的鲁棒聚合能有效缓解后门攻击；将两者结合可形成组合防御，在攻击成功率较低的同时，仅付出较小的准确率代价。