READ-2342 Efficient federated learning under non-IID conditions with attackers

论文名称	Efficient federated learning under non-IID conditions with attackers
作者	Huan Zou, Yuchao Zhang, Xirong Que, Yilei Liang, J. Crowcroft
来源	ACM Workshop on Data Privacy and Federated Learning Technologies for Mobile Edge Network　2022
领域	Machine Learning - Federal learning - Security - untarget poisoning attack
问题	许多防御手段要求数据均匀分布，而在non-I.I.D条件下，设计高效的鲁棒FL算法面临着两个额外的挑战：识别恶意客户端和保证模型的准确性
方法	Cominer工作流由标签聚类过程和垂直比较过程组成： LC通过对客户端进行聚类来支持non-IID数据的多样性，从而解决准确率下降的问题，然后VC识别并消除每个集群中的恶意客户端

---

阅读记录

---

总结

在数据异构的场景下，为了保证全局模型可以学习到更全面的数据信息，需要根据数据分布划分客户端模型，并在不同分布中去除恶意客户端