Rilevamento di Client Atipici nell'Apprendimento Federato tramite Divergenza a Livello di Rappresentazione
Un nuovo articolo di ricerca propone un segnale geometrico leggero per rilevare client atipici nell'apprendimento federato, misurando come l'addestramento locale altera la partizione dello spazio di input indotta dall'attivazione su un insieme di probe condiviso. Questo metodo produce una metrica interpretabile e invariante per permutazioni della divergenza client-globale, che cattura le differenze nell'elaborazione dei dati, affrontando le sfide derivanti da dati eterogenei, cambiamenti distribuzionali e input anomali.
Fatti principali
- arXiv:2605.22266v1
- Tipo di annuncio: cross
- Propone un segnale geometrico leggero
- Quantifica la deviazione funzionale di un client rispetto al modello globale
- Misura come l'addestramento locale altera la partizione dello spazio di input indotta dall'attivazione
- Valutato su un insieme di probe condiviso
- Produce una metrica interpretabile e invariante per permutazioni
- Cattura le differenze nel modo in cui i dati vengono elaborati dal modello
Entità
—