为提高联邦学习中恶意模型检测的准确率和鲁棒性，提出一种基于权重攻击的联邦学习防御方案。基于局部离群因子算法设计异常检测模型，提出用于检测异常模型的异常评分；提出一种基于密度的异常检测算法计算每个局部模型的异常评分；利用异常评分在聚合过程中自适应调整每个局部模型的权值。仿真结果表明，所提方案检测恶意模型精准度有所提高，具有良好的收敛性和稳定性。
科研之友
微信
新浪微博
Facebook
分享链接
