ترجمه فارسی مقاله FedAD-Bench: یک معیار یکپارچه برای تشخیص ناهنجاری فدرال بدون نظارت در داده‌های جدولی

چکیده

The emergence of federated learning (FL) presents a promising approach to leverage decentralized data while preserving privacy. Furthermore, the combination of FL and anomaly detection is particularly compelling because it allows for detecting rare and critical anomalies (usually also rare in locally gathered data) in sensitive data from multiple sources, such as cybersecurity and healthcare. However, benchmarking the performance of anomaly detection methods in FL environments remains an underexplored area. This paper introduces FedAD-Bench, a unified benchmark for evaluating unsupervised anomaly detection algorithms within the context of FL. We systematically analyze and compare the performance of recent deep learning anomaly detection models under federated settings, which were typically assessed solely in centralized settings. FedAD-Bench encompasses diverse datasets and metrics to provide a holistic evaluation. Through extensive experiments, we identify key challenges such as model aggregation inefficiencies and metric unreliability. We present insights into FL’s regularization effects, revealing scenarios in which it outperforms centralized approaches due to its inherent ability to mitigate overfitting. Our work aims to establish a standardized benchmark to guide future research and development in federated anomaly detection, promoting reproducibility and fair comparison across studies.

چکیده به فارسی (ترجمه ماشینی)

ظهور یادگیری فدرال (FL) یک رویکرد امیدوار کننده برای اهرم داده های غیرمتمرکز ضمن حفظ حریم خصوصی ارائه می دهد.علاوه بر این ، ترکیبی از تشخیص FL و ناهنجاری به ویژه قانع کننده است زیرا امکان تشخیص ناهنجاری های نادر و بحرانی (معمولاً در داده های جمع آوری شده محلی) را در داده های حساس از منابع متعدد مانند امنیت سایبری و مراقبت های بهداشتی امکان پذیر می کند.با این حال ، معیار عملکرد روشهای تشخیص ناهنجاری در محیط های FL یک منطقه نامشخص است.در این مقاله ، FedAD-Bench ، یک معیار یکپارچه برای ارزیابی الگوریتم های تشخیص ناهنجاری بدون نظارت در متن FL معرفی شده است.ما به طور سیستماتیک عملکرد مدل های تشخیص ناهنجاری عمیق یادگیری عمیق را تحت تنظیمات فدرال ، که معمولاً صرفاً در تنظیمات متمرکز ارزیابی می شوند ، تجزیه و تحلیل و مقایسه می کنیم.FedAD-Bench شامل مجموعه داده ها و معیارهای متنوع برای ارائه یک ارزیابی جامع است.از طریق آزمایش های گسترده ، ما چالش های کلیدی مانند ناکارآمدی تجمع مدل و عدم اطمینان متریک را شناسایی می کنیم.ما بینش هایی در مورد اثرات منظم FL ارائه می دهیم ، و سناریوهایی را نشان می دهد که در آن به دلیل توانایی ذاتی آن در کاهش بیش از حد از رویکردهای متمرکز بهتر است.کار ما با هدف ایجاد یک معیار استاندارد برای هدایت تحقیقات و توسعه آینده در تشخیص ناهنجاری فدرال ، ارتقاء تکرارپذیری و مقایسه عادلانه در مطالعات انجام شده است.