FACDVis:面向联邦学习的异常客户端检测可视分析方法

摘要

联邦学习通过隐私保护实现多方数据价值共享,已在医疗、能源等多个领域得到广泛应用,但异常客户端的存在导致联邦学习模型性能受损,系统效率降低。传统异常客户端检测算法依赖于良性客户端占大多数的假设、在应对复杂攻击时易失效,且缺乏可解释性。针对上述问题,提出一种面向联邦学习的异常客户端检测可视分析方法—FACDVis。所提方法首先基于客户端模型性能演化评估体系,实现可疑客户端与异常迭代轮次的初步筛查;其次,通过模型行为模式分析体系,进一步定位异常客户端及其迭代轮次;最后,借助参数异质性诊断体系,深度分析攻击手段,构建可解释的多维证据链检测框架。实验结果表明,该方法能够在异常客户端数量占到80%以上时,仍然有效应对数据投毒、模型投毒等多种攻击手段,识别平均准确率达到94%。

关键词

可视化 / 联邦学习 / 异常客户端检测 / 可解释性