联邦火灾检测新突破：模型压缩10倍，轮换协调器驱逐恶意客户端！
Byzantine-Robust Federated Fire Detection with a Rotating Coordinator
📖 AI 总结
本文研究联邦学习在室内火灾检测中的应用，针对边缘摄像头拍摄的敏感视频难以集中收集的问题，提出了一套兼顾隐私与鲁棒性的解决方案。作者指出，现有联邦方案存在三个实际障碍：上行带宽受限、拜占庭（恶意或故障）客户端干扰，以及对单一固定聚合服务器的无条件信任。为此，论文的主要贡献包括：构建了一个整合八个公开来源的室内火灾检测数据集；设计了一种可部署于边缘的检测器，其模型更新可压缩至原来的十分之一，而平衡准确率仅略有下降；以及提出一种半去中心化的拜占庭鲁棒联邦方法，将历史感知聚合与轮换协调者相结合，既能剔除单轮过滤难以发现的隐蔽攻击，又消除了固定服务器的单点故障。在留出测试集上，轮换协调者方法的准确率和检测速度与固定服务器方案相当，六节点云部署实验也验证了其可行性。
🔑 关键词速览
| 联邦学习 (Federated Learning, FL) | 一种分布式机器学习范式，允许边缘设备在本地训练模型，仅共享模型更新而非原始数据，从而保护隐私。 |
| 拜占庭鲁棒性 (Byzantine-Robustness) | 系统在存在恶意或故障客户端（拜占庭节点）的情况下仍能保持正确运行的能力。 |
| 轮换协调器 (Rotating Coordinator) | 一种去中心化机制，聚合服务器的角色在多个节点间轮换，以避免单点故障和信任集中。 |
| 历史感知聚合 (History-Aware Aggregation) | 一种聚合策略，利用客户端过去的行为历史来识别和减轻恶意更新，提高鲁棒性。 |
| 模型更新压缩 (Model Update Compression) | 减少传输的模型更新数据量（如量化或稀疏化）的技术，以节省上行带宽。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅