arXiv cs.LG· Ojaswi Sinha, Amin Farajzadeh, Animesh Yadav, Melike Erol-Kantarci·· 2 小时前AI 评分26
FedSharp：噪声信道下的拜占庭鲁棒去中心化联邦学习
FedSharp: Byzantine Robust Decentralized Federated Learning Under Noisy Channel
AI 导读
研究提出去中心化联邦学习框架 FedSharp，通过坐标级中位数筛选、候选模型排序平均与噪声自适应正则化，有效防御噪声信道下的拜占庭攻击与非 IID 漂移。在包含 33 个拜占庭节点的 100 节点环形网络中，FedSharp 在 MNIST 和 CIFAR-10 上的准确率分别达到 93.5-94.9% 与 32.8-48.8%，大幅超越 SOTA 基准且逼近无噪声水平。
来源：arXiv cs.LG · arxiv.org