面向触觉互联网的联邦跨模态生成方法：拜占庭鲁棒性与性能优化研究

《Knowledge-Based Systems》：Byzantine Robustness and Performance Improvement in Federated Cross-Modal Generation of Tactile Data

本文提出FI-CL方法，通过指纹识别（FI）机制提升联邦学习（FL）系统对拜占庭攻击的鲁棒性，并采用闭环（CL）学习优化触觉摩擦力跨模态生成的精度与效率。实验表明该方法在90%客户端为恶意节点的极端场景下仍能保持稳定，且运行时间降低达92.6%，为触觉互联网（Tactile Internet）提供了高安全性与低复杂度的解决方案。

　　

章节精选

联邦学习中对抗拜占庭攻击的防御措施

当前联邦学习中的拜占庭客户端防御方法主要分为两类：辅助数据集验证和统计特征分析。第一类中，Cao等人利用辅助数据集为本地模型更新分配信任分数，并基于分数计算聚合权重以削弱恶意客户端影响；Dong等人则通过辅助数据计算本地梯度与服务器梯度的汉明距离...

主要方法

FI-CL方法通过FI防御机制增强拜占庭鲁棒性，同时借助CL学习提升跨模态生成性能（图1）。在FI机制中，系统初始阶段在无攻击环境下运行CL进行本地训练。每轮训练后，客户端将更新后的模型参数传输至服务器，服务器利用这些参数建立固有指纹（intrinsic fingerprint）。当拜占庭客户端试图通过提交异常参数破坏训练时...

数值评估

数值评估基于Pytorch框架，在配备12 vCPU Intel Xeon Platinum 8255C处理器、40GB内存及Nvidia RTX 2080 Ti GPU的台式机上完成。

结论

本文提出的FI-CL方法专注于触觉摩擦力的跨模态生成，有效应对拜占庭攻击并实现高精度与低复杂度。FI框架通过将冗余参数作为固有指纹识别恶意客户端，其收敛性得到严格理论证明。CL学习通过持续反馈动态优化模型参数，显著提升生成精度。此外，复杂度分析表明...