联邦学习1 A Unified Federated Learning Framework for Wireless Communications: towards Privacy,..论文

大背景 面临的问题：1、隐私问题。2、非 IID 数据。2、无线网络通信资源有限。3、复杂的用户身份，训练过程面临着拜占庭设备的挑战，它可以向模型注入中毒信息

根据上一篇，FAug-FD 虽然工作良好，但当边缘设备上传本地原始数据以在云中训练全球数据生成器时，会导致私人数据泄露。此外，FAug-FD 只考虑 IID 数据和通信效率的要求，但仍忽略了拜占庭设备带来的安全挑战。

1、提出强大的联邦增强和联邦蒸馏 （RFA-RFD），2、在 RFA 和 RFD 中采用了检测和丢弃机制

总体思想：

RFA： 是解决非 IID 本地数据问题的方法。首先在边缘设备上训练本地数据生成器，然后根据上传的本地生成器生成的 IID 数据集在云服务器中训练全局生成器，最后，设备通过下载全球生成器来纠正非 IID 数据集。在边缘设备中获取 IID 本地数据后，实施 RFD 。

RFD：以提高本地模型的性能，其中设备仅共享模型输出的本地信息，以减少通信开销。

在 RFA 和 RFD 中都采用了检测和丢弃机制，以实现拜占庭设备的稳健性

Robust 联邦增强

CVAE（有条件的 VAE），可以在每个边缘设备上生成特定标签的数据，本地 CVAE 模型包含Ei （编码器） 和 Gi （解码器/生成器）&#x