具有适应性数据异构性的拜占庭弹性联邦学习
原文中文，约300字，阅读约需1分钟。发表于：。该研究论文研究了在存在恶意拜占庭攻击和数据异质性的情况下的联邦学习。提出了一种新颖的鲁棒平均梯度算法 (RAGA)，其利用几何中位数进行聚合，并可以自由选择局部更新的轮次。通过对不仅是强凸而且非凸损失函数进行收敛性分析，以及考虑到恶意用户的数据集比例小于一半的情况下，本文论证了 RAGA 可以实现收敛。此外，证明了随着数据异质性消失，可以得到稳定点或全局最优解。实验结果验证了 RAGA...
该研究提出了一种新的联邦学习算法RAGA，能够在恶意攻击和数据异质性的情况下实现收敛。实验结果显示，RAGA在不同攻击强度和数据集下的收敛性能优于基准方法。
