使用变分自编码器和高斯混合模型的联合学习用于行为异常检测

May, 2024

使用变分自编码器和高斯混合模型的联合学习用于行为异常检测

Federated Learning for Misbehaviour Detection with Variational Autoencoders and Gaussian Mixture Models

Enrique Mármol Campos, Aurora González Vidal, José Luis Hernández Ramos, Antonio Skarmeta

TL;DR本研究提出了一种新颖的无监督联邦学习方法，用于在车辆环境中识别潜在的不正常行为。该方法利用公共云服务的计算能力进行模型聚合，并作为不正常行为事件的集中存储库，以实现跨车辆学习和集体防御策略。通过在联邦环境中使用 Gaussian Mixture Models（GMM）和 Variational Autoencoders（VAE）以及 Restricted Boltzmann Machines（RBM）进行预训练和模型聚合，该方法在性能上超过了基于监督技术和人工分割的近期提案（超过 80％）。

Abstract

federated learning (FL) has become an attractive approach to collaboratively train Machine Learning (ML) models while data sources' privacy is still preserved. However, most of existing FL approaches are based on supervised techniques, which could require resource-intensive activities

federated learning unsupervised learning misbehavior identification vehicular environments gaussian mixture models

发现论文，激发创造

联邦变分学习用于多元时间序列异常检测

本研究提出了一种基于联邦学习的时序异常检测框架，采用分布式的共享变分自编码器（VAE）结合卷积门循环单元（ConvGRU）模型，对网络传感器产生的高维多元时序数据进行表征学习和异常检测任务。实验表明，该方法在综合性能和检测延迟方面比其他最先进的模型具有优势。

Aug, 2021

互联与自动驾驶车辆的联邦学习：现有方法和挑战综述

机器学习在互联和自动化车辆（CAV）的关键任务中被广泛应用，然而，由于对车辆数据进行模型训练，导致了与车辆用户隐私和通信开销相关的重大挑战。联邦学习是一种分散的机器学习方法，使多个车辆可以协作开发模型，从不同的驾驶环境中进行学习，提高整体性能，并同时确保本地车辆数据的隐私和安全。本论文综述了联邦学习在 CAV 中应用的进展，分析了中心化和分散化联邦学习框架的关键特性和方法学，并回顾了与 CAV 中联邦学习相关的多样数据来源、模型和数据安全技术，强调它们在确保隐私和机密性方面的重要性。其次，探讨了联邦学习的特定应用，并提供了每个应用所采用的基本模型和数据集的见解。最后，列出了 FL4CAV 面临的现有挑战，并讨论了进一步提升 FL 在 CAV 背景下的效果和效率的潜在方向。

Aug, 2023

车联网中的联邦学习

本文研究车联网应用中的联邦学习与集中式学习的可行性，探讨了基于图像数据集的目标检测，分析了数据标注、模型训练的挑战，以及数据速率、可靠性、隐私和资源管理等通信方面的问题，并为联邦学习在车联网领域中的未来研究方向提供了展望。

Jun, 2020

通过联邦学习进行异常检测

本文提出了一种新型的通过联邦学习来检测客户端服务器上有害网络活动的异常检测器，使用自编码器和分类器来判断网络活动是否良性或恶意，研究表明，联邦学习使得全局模型能够从每个客户端的数据中学习，并为每个客户端提供了改善其入侵检测系统防御网络攻击的手段。

Oct, 2022

基于深度强化学习的车辆选择方法，在异步联邦学习启用的车辆边缘计算环境下

因为传统的车联网在上传到云处理中会有延迟，所以为了解决这一问题并提高系统性能，引入了边缘计算，在此基础上采用联邦学习，其中异步联邦学习则采用深度强化学习作为车辆的选择问题模型，模拟结果表明有效提高了全局模型聚合的准确性。

Apr, 2023

基于共识的连接车辆增强分散联合学习

本研究提出一种基于协议的去中心化联邦学习框架 C-DFL，以应对联邦学习在车联网中的缺陷并提高学习效果，通过大量仿真实验证明其在所有情况下优于传统方法。

Sep, 2022

基于 GAN 的数据污染框架用于对抗垂直联邦学习中的异常检测

在垂直联邦学习中，通过保护数据隐私，商业实体共同训练一个模型。然而，恶意参与者的毒化攻击可能会降低这个合作模型的性能。为了解决这个挑战，本文引入了一种创新的端到端毒化框架 P-GAN。同时，我们还开发了一种基于深度自编码器（DAE）的异常检测算法，为垂直联邦学习情景提供了强大的防御机制。通过大量实验，我们评估了 P-GAN 和 DAE 的效能，并进一步分析了影响它们性能的因素。

Jan, 2024

在车辆网络中使用动态客户端选择和异常检测的安全分层联邦学习

在车辆网络中，针对威胁到模型完整性的敌对或不可靠车辆的显著挑战，我们的研究引入了一种集成动态车辆选择和强健异常检测机制的新框架，旨在优化参与者选择并减轻恶意贡献相关风险。

May, 2024

受限用户可用性下的联邦学习

Federated Learning (FL) 是一种分散式机器学习框架，可以实现协作模型训练并保护数据隐私。本论文提出了一种名为 Random Access Model (RAM) 的通用用户选择机制，通过延伸 FL 问题的风险感知目标函数，使用 Conditional Value-at-Risk (CVaR) 方法，设计了一种与 RAM 无关的高效训练算法，实验证明在各种情景下与标准 FL 相比，该方法能够显著提高性能。

Sep, 2023

AutoFed: 面向异构的联合多模态学习，实现鲁棒自动驾驶

AutoFed 是一个异构感知的联邦学习框架，利用众多多模式传感器数据来实现鲁棒的自动驾驶。

Feb, 2023