面向分布式采样损坏下的鲁棒联邦信号重建的残差一致性信任加权方法

《IEEE Access》：Residual-Consistent Trust Weighting for Robust Federated Signal Reconstruction Under Corrupted Distributed Sampling

　　

联邦学习已成为隐私与通信约束下分布式优化的关键范式，然而经典聚合方案（如联邦平均算法FedAvg）假设客户端可靠性一致，在面对损坏、噪声或故障参与者时依然脆弱。这一局限在分布式传感系统中尤为关键，因为客户端仅能采集共享物理信号的局部异构观测。本研究提出一种面向客户端级损坏下鲁棒联邦线性逆问题的信任感知联邦信号重建（TAFSR）框架。与针对更新空间过滤的通用鲁棒聚合器不同，该方法引入了面向具有局部观测的逆问题的残差一致性信任机制，并可解释为块式迭代重加权最小二乘法（IRLS）及谱范数误差分析。研究人员将联邦重建建模为带有不可靠客户端的分布式最小二乘问题，并在强凸性与加权算子谱界条件下证明该方法可线性收敛至与损坏相关的偏置项。在干净与损坏客户端残差持续分离的条件下，理想无截断权重规则还能相对于均匀聚合渐近衰减损坏客户端的影响。分析同时建立了谱误差界，并阐明了信任感知聚合与鲁棒M估计之间的联系。在包含工业振动数据（CWRU）与临床心电图数据集（MIT-BIH及PTB-XL）的大量可复现实验中，该方法在异质噪声与模拟损坏下均优于FedAvg。在默认20%损坏客户端设置中，CWRU的平均最终均方根误差（RMSE）从0.3100降至0.1999，MIT-BIH从0.2809降至0.1815，同时在更具挑战性的低冗余PTB-XL场景中仍保持优势。

研究背景方面，联邦学习（FL）作为分布式模型训练的重要范式，能够在保障数据隐私的同时降低通信成本，已被广泛应用于工业监测、可穿戴医疗设备和大规模物联网系统。然而，经典联邦平均算法（FedAvg）假设所有客户端可靠性一致，在存在测量噪声、设备故障或恶意行为时性能显著下降。尤其在分布式传感场景中，各客户端仅能获取共享物理信号的部分观测，这种异构采样与局部损坏使得传统基于梯度空间的鲁棒聚合方法难以有效工作。研究人员指出，现有拜占庭鲁棒联邦学习方法多面向分类任务的梯度空间设计，无法直接适用于部分观测下的信号重建问题，因此亟需一种基于残差一致性的任务感知聚合策略。

关键技术方法方面，研究人员构建了面向分布式线性逆问题的信任感知联邦信号重建（TAFSR）框架，采用行选择采样矩阵模拟异构局部观测，并在客户端级损坏条件下引入残差一致性信任机制。实验使用了三个公开数据集：凯斯西储大学（CWRU）轴承振动数据集、MIT-BIH心律失常数据库及PTB-XL临床心电图数据集，分别涵盖工业与健康领域的典型传感信号。技术核心包括块式迭代重加权最小二乘法（block-wise IRLS）解释、谱范数误差界推导，以及三种损坏模式（附加高斯损坏、稀疏脉冲损坏、偏差与尺度漂移）的模拟。

研究结果方面，在引言部分，研究人员明确了联邦信号重建与传统分类任务的区别，并指出残差驱动聚合在异构采样环境中的必要性。相关工作综述表明，现有鲁棒联邦学习与分布式估计算法在客户端块残差解释上存在空白，TAFSR通过连接鲁棒统计与联邦优化填补了这一缺口。问题建模部分，研究人员将未知信号表示为x^?，每个客户端通过线性观测模型y_k=A_kx^?+ε_k+δ_k获取数据，其中δ_k代表损坏项，并给出集中式最小二乘解的形式。TAFSR框架设计中，每轮服务器广播全局估计，客户端执行单步梯度下降并更新残差分数，信任权重由残差倒数经稳定化常数ε调整，并通过截断与归一化防止单一客户端主导。数学分析部分，研究人员在强凸与加权算子谱界条件下证明了线性收敛至损坏相关偏置界，并给出谱误差界；进一步，在无截断权重下，若干净与损坏客户端残差持续分离，损坏客户权重将渐近趋于零，实现有效抑制。实验结果显示，在CWRU与MIT-BIH上，TAFSR相较FedAvg显著降低RMSE与AUC，且在高达40%损坏比例下优势更为明显；在低冗余PTB-XL场景下仍具正向增益。与坐标中位数、修剪均值等通用鲁棒聚合相比，TAFSR在所有数据集上均取得最优结果。

讨论与结论部分，研究人员指出TAFSR通过残差一致性信任加权，在异构局部观测与客户端损坏条件下实现了更稳定的联邦信号重建。该方法不仅继承了鲁棒M估计的理论优势，还具备块式IRLS的可解释性。实验结果验证了其在工业振动与心电监测中的有效性，尤其在冗余度较高的场景下优势显著。论文发表于《IEEE Access》，研究同时强调了在非线性观测模型、更强对抗环境与去中心化信任机制方面的未来扩展方向。