联邦学习故障诊断新突破：浙大陈为等提出FedCare，实时诊断故障，保障系统安全｜FCS

本文介绍了浙江大学陈为等人提出的FedCare，一种用于联邦学习系统的实时可视化诊断方法。联邦学习作为一种机器学习范式，允许多个数据所有者在中央服务器的协调下合作训练模型，同时保持数据的分散性，以避免隐私泄露。然而，联邦学习容易受到恶意和非恶意攻击，导致各种故障。现有的研究主要关注恶意攻击的防御，而对非恶意攻击（如非独立同分布的数据故障）的关注较少。FedCare的功能包括识别故障、评估其性质、研究其影响以及推荐适当的防御策略。该方法通过模型性能、客户异常/贡献评估、特征图、群组活动和客户影响等多个角度进行诊断。文章通过案例研究、定量实验和专家访谈验证了FedCare的有效性。