Duke University 发布 Synthetic Dataset derived from Global Model Trajectory 数据集, 应用在 联邦学习、恶意检测 领域

Duke University 本次发布的数据集 Synthetic Dataset derived from Global Model Trajectory, 本研究提出了一种名为SafeFL的检测框架，旨在识别联邦学习中的恶意客户端。该框架的核心是服务器收集一系列全局模型，生成一个合成数据集，用于区分恶意模型和良性模型。该合成数据集由全局模型的轨迹生成，无需反映客户端数据的实际分布，但能有效区分模型行为。SafeFL框架包括两种变体：SafeFL-ML和SafeFL-CL，分别采用不同的方法识别恶意客户端。SafeFL-ML基于恶意模型在合成数据集上损失更高的原则，通过计算损失的中位数来识别恶意客户端；SafeFL-CL则通过聚类算法将模型分组，识别损失值分布中的异常值，从而更精确地识别恶意客户端。SafeFL在五个数据集上进行了评估，包括CIFAR-10、STL-10、Tiny-ImageNet和FEMNIST等，并与其他十种最先进的联邦学习防御方法进行了比较，结果表明SafeFL在检测恶意客户端方面表现出色。

查看Synthetic Dataset derived from Global Model Trajectory

关于 Duke University , Duke University 是一所位于美国北卡罗来纳州达勒姆的私立研究型大学，以其高质量的教育和研究项目而闻名。

关于 arXiv , arXiv 是一个免费分发服务和开放获取的学术文章档案库，涵盖了物理学、数学、计算机科学、定量生物学、定量金融、统计学、电气工程和系统科学以及经济学等领域。该网站上的材料并未经过 arXiv 的同行评审。