基于历史贡献的联邦学习防御方法OA

为了应对因数据量不足导致的预测精度下降问题,同时保护数据隐私,联邦学习被广泛应用于负荷预测领域。然而,联邦学习在模型参数传输过程中可能遭受恶意攻击,威胁全局模型的可靠性。为此,文章提出了一种基于历史贡献的联邦学习鲁棒聚合(federated learning method based on historical contributions,Fed Bcs)方法。通过综合分析客户端在历史轮次中的贡献,计算其信用分数,并基于信用分数动态调整客户端的学习率,限制可疑客户端对全局模型的影响。Fed Bcs根据信用分数动态调整客户端的选中概率,从而减少恶意客户端的聚合机会。实验结果表明,与现有防御算法相比,Fed Bcs显著提升了模型的鲁棒性,其准确率较其他方法平均提高了6.5%,最高提高了14.2%。