Il Quantum Annealing Potenzia l'Apprendimento Federato Resiliente ai Bizantini
Un recente studio pubblicato su arXiv introduce una tecnica di quantum annealing volta a migliorare la resilienza bizantina nell'apprendimento federato. Questo approccio ridefinisce la selezione dei client come un problema di Ottimizzazione Binaria Quadratica Senza Vincoli (QUBO), che gli annealer quantistici possono risolvere. A differenza dell'algoritmo greedy MultiKrum, QUBO valuta in modo ottimale tutti i sottoinsiemi di client per identificare il gruppo più vicino. Test con 15 client hanno dimostrato che QUBO ha superato MultiKrum di fronte ad attacchi difficili: l'accuratezza per il rilevamento di Advanced LIE è stata del 95,11% rispetto all'81,33% di MultiKrum su MNIST, e del 97,78% rispetto al 75,56% su CIFAR-10. Questo metodo affronta le debolezze nell'apprendimento federato dove aggiornamenti dannosi possono imitare le caratteristiche statistiche di quelli legittimi.
Fatti principali
- L'apprendimento federato addestra un modello globale su client decentralizzati preservando la privacy dei dati.
- Metodi di aggregazione resilienti ai bizantini come MultiKrum valutano i gradienti rispetto ai vicini più prossimi.
- MultiKrum può non rilevare aggiornamenti malevoli che preservano le proprietà statistiche di quelli onesti.
- Il metodo proposto utilizza il quantum annealing per riformulare la selezione dei client come un problema QUBO.
- QUBO codifica le distanze a coppie in una funzione di costo risolta da annealer quantistici.
- QUBO ottimizza congiuntamente su tutti i sottoinsiemi per trovare il gruppo di m client reciprocamente più vicino.
- Con 15 client, QUBO ha superato MultiKrum negli attacchi Advanced LIE.
- Accuratezza rilevamento Advanced LIE: 95,11% vs 81,33% su MNIST, 97,78% vs 75,56% su CIFAR-10.
Entità
Istituzioni
- arXiv