通过使用总结统计数据的值的自动编码器进行增强的联合异常检测.
Sofiane Laridi1, Gregory Palmer2, Kam-Ming Mark Tam3
1L3S Research Center, Faculty of Electrical Engineering and Computer Science, Leibniz University Hannover, Hanover, 30167, Germany. laridi@l3s.de.
Scientific reports
|November 4, 2024
概括
这项研究引入了一个联合值方法,用于在联合学习中检测异常. 我们的方法提高了准确性和隐私性,在非IID数据条件下优于现有方法.
科学领域:
- 机器学习 机器学习
- 数据科学数据科学数据科学
- 网络安全 网络安全
背景情况:
- 联合学习 (FL) 为异常检测 (AD) 带来了独特的挑战,因为它具有分散的数据和非独立且相同分布的 (非IID) 分布.
- 现有的方法在分散的AD环境中难以获得隐私和准确性,特别是在异质数据的情况下.
研究的目的:
- 提出一种新的联合值计算方法,用于在联合学习中检测异常.
- 为了提高非IID数据分布下的异常检测的准确性和稳定性,同时保持数据隐私.
主要方法:
- 建议采用联合值计算方法,汇总来自客户的正常和异常数据的总结统计数据.
- 这一全球值被用于用于异常检测的联合自动编码器.
- 该方法在各种数据集上进行了评估,包括信用卡欺诈检测,Shuttle和Covertype.
主要成果:
- 拟议的联邦值计算方法始终优于现有的联邦和地方值技术.
- 在非IID设置中显示出异常检测准确度和稳定性的显著改进.
- 验证了使用聚合总结统计数据用于保护隐私的联合异常检测的有效性.
结论:
- 总结统计数据的聚合是一种可行的策略,可以在非IID条件下改善联合异常检测性能.
- 拟议的方法为分散的异常检测提供了一种保护隐私和有效的解决方案.
- 这项研究为联合环境中更强大,更准确的异常检测系统铺平了道路.
