Robust Sequential Analysis in Networks
Final Report Abstract
Robuste und zuverlässige Methoden zur Verbreitung von Daten in verteilten Netzen werden in der heutigen vernetzten Welt immer wichtiger. Neu aufkommende Themen wie föderiertes oder dezentrales Lernen werden zur Lösung verteilter Aufgaben eingesetzt, bringen aber neue Schwachstellen mit sich. Das ursprüngliche Ziel dieses Projekts war es, robuste und sequentielle Algorithmen für Netzwerke zu entwickeln. Wir haben robuste und effiziente Aggregatoren für verteiltes Lernen entwickelt, um die Grundlage für die Anwendung in robusten sequentiellen Algorithmen zu schaffen. Wir haben gezeigt, dass es bei der Wahl geeigneter Aggregationsschemata möglich ist, im Vergleich zu traditionellen Aggregatoren (z.B. Median) eine viel höhere Effizienz zu erreichen, ohne dabei auf eine hohe Robustheit verzichten zu müssen. Aufbauend auf dieser Arbeit haben wir einen verteilten EM Algorithmus für RES-Verteilungen entwickelt, der die Vorteile der zuvor entwickelten robusten und effizienten Aggregatoren nutzt. Da die Entwicklung robuster und effizienter Aggregatoren mit einem tiefen Verständnis möglicher Angriffsszenarien einhergehen muss, haben wir ein optimales Angriffsschema entwickelt, das in Zukunft zum Testen und Verbessern neuer robuster Aggregatoren verwendet werden kann. Zunächst haben wir eine neue Definition für ein optimales Angriffsschema vorgeschlagen und dann das SCM-Angriffsschema abgeleitet, das den optimalen Angriffswert für eine einzige Iteration findet. Dieser Angriff basiert auf der Sensitivitätskurve aus der klassischen robusten Statistik. Zweitens kann es bei der zufälligen Auswahl einer Angriffsrichtung dazu kommen, dass sich die Angriffe über mehrere Lernrunden hinweg gegenseitig aufheben. Daher ist es wichtig, eine zeitliche Komponente in den SCM-Angriff einzuführen, die eine Akkumulation des Angriffs über mehrere Zeitschritte gewährleistet. Dies wurde durch die Entwicklung von zwei Methoden, ASCM und SASCM, erreicht. Zusammenfassend lässt sich sagen, dass wir bedeutende Fortschritte bei der Entwicklung robuster und effizienter Aggregatoren gemacht haben und gleichzeitig das Verständnis für Angriffe auf robuste Aggregatoren wesentlich vertieft haben. Zukünftige Arbeiten werden sich, unter Berücksichtigung der hier entwickelten Aspekte, mit der Entwicklung von Methoden und Algorithmen für robuste sequentielle Inferenz befassen, wie sie in der Forschungsgruppe entwickelt wurden.
Publications
-
ROBUST AND EFFICIENT AGGREGATION FOR DISTRIBUTED LEARNING. 2022 30th European Signal Processing Conference (EUSIPCO), 817-821. IEEE.
Vlaski, Stefan; Schroth, Christian; Muma, Michael & Zoubir, Abdelhak M.
-
Attacks on Robust Distributed Learning Schemes via Sensitivity Curve Maximization. 2023 24th International Conference on Digital Signal Processing (DSP), 1-5. IEEE.
Schroth, Christian A.; Vlaski, Stefan & Zoubir, Abdelhak M.
-
Radar Based Humans Localization with Compressed Sensing and Sparse Reconstruction. 2023 24th International Conference on Digital Signal Processing (DSP), 1-5. IEEE.
Eckrich, Christian; Schroth, Christian A.; Jamali, Vahid & Zoubir, Abdelhak M.
-
Robust M-Estimation Based Distributed Expectation Maximization Algorithm with Robust Aggregation. ICASSP 2023 - 2023 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP). IEEE.
Schroth, Christian A.; Vlaski, Stefan & Zoubir, Abdelhak M.
