РАЗРАБОТКА И ИССЛЕДОВАНИЕ МЕТОДОВ ДЕЦЕНТРАЛИЗОВАННОГО ФЕДЕРАТИВНОГО ОБУЧЕНИЯ В ВЫСОКОНАГРУЖЕННЫХ РАСПРЕДЕЛЕННЫХ СИСТЕМАХ

Аннотация

В тезисах исследуются подходы к построению защищенных архитектур машинного обучения на основе децентрализованного федеративного обучения (Federated Learning) без использования центрального сервера агрегации. Разработан алгоритм консенсуса и синхронизации весов локальных нейросетевых моделей с применением графовых топологий связи и механизмов дифференциальной приватности. Представлены результаты экспериментального анализа скорости сходимости моделей, пропускной способности сети и стойкости к атакам типа компрометации участников (poisoning attacks). Обоснована эффективность предложенного метода для безопасной обработки персональных и корпоративных данных в распределенных финансовых и медицинских экосистемах.

Ключевые слова