ترجمه فارسی مقاله LiD-FL: به سوی یادگیری فدرال قابل رمزگشایی از لیست

چکیده

Federated learning is often used in environments with many unverified participants. Therefore, federated learning under adversarial attacks receives significant attention. This paper proposes an algorithmic framework for list-decodable federated learning, where a central server maintains a list of models, with at least one guaranteed to perform well. The framework has no strict restriction on the fraction of honest workers, extending the applicability of Byzantine federated learning to the scenario with more than half adversaries. Under proper assumptions on the loss function, we prove a convergence theorem for our method. Experimental results, including image classification tasks with both convex and non-convex losses, demonstrate that the proposed algorithm can withstand the malicious majority under various attacks.

چکیده به فارسی (ترجمه ماشینی)

یادگیری فدرال اغلب در محیط هایی با بسیاری از شرکت کنندگان تأیید نشده استفاده می شود.بنابراین ، یادگیری فدرال تحت حملات مخالف مورد توجه قابل توجهی قرار می گیرد.در این مقاله یک چارچوب الگوریتمی برای یادگیری فدراسیون قابل تخریب لیست ارائه شده است ، جایی که یک سرور مرکزی لیستی از مدل ها را حفظ می کند ، حداقل یک تضمین شده برای عملکرد خوب.این چارچوب محدودیت سختی در کسری از کارگران صادق ندارد و کاربرد یادگیری فدراسیون بیزانس را به سناریو با بیش از نیمی از مخالفان گسترش می دهد.تحت فرضیات مناسب در مورد عملکرد ضرر ، ما یک قضیه همگرایی را برای روش خود اثبات می کنیم.نتایج تجربی ، از جمله وظایف طبقه بندی تصویر با هر دو ضرر محدب و غیر متمایز ، نشان می دهد که الگوریتم پیشنهادی می تواند در حملات مختلف در برابر اکثریت مخرب مقاومت کند.