يُعتبر [التعلم الفيدرالي](/tag/[التعلم](/tag/التعلم)-الفيدرالي) (Federated Learning) [تقنية](/tag/تقنية) رائدة تسمح بتدريب [نموذج عالمي](/tag/[نموذج](/tag/نموذج)-عالمي) [عبر](/tag/عبر) عملاء موزعين، مما يضمن [خصوصية البيانات](/tag/[خصوصية](/tag/خصوصية)-[البيانات](/tag/البيانات)). إلا أن هذه [التقنية](/tag/التقنية) تواجه [تحديات](/tag/تحديات) كبيرة، خاصةً عند تعرضها لهجمات بيزنطية، حيث يحاول المهاجمون إرسال [تحديثات](/tag/تحديثات) ضارة تخفي نواياهم الحقيقي.
في أحدث الأبحاث، قدم العلماء طريقة جديدة لمواجهة هذه التحديات باستخدام أسلوب يعتمد على [الحوسبة](/tag/الحوسبة) [الكمومية](/tag/الكمومية) من خلال إعادة تشكيل مسألة اختيار العملاء كمسألة [تحسين](/tag/تحسين) ثنائية غير مقيدة رباعية (Quadratic Unconstrained Binary [Optimization](/tag/optimization) - QUBO). يتم معالجة هذه المشكلة بواسطة [أجهزة](/tag/أجهزة) [الحوسبة](/tag/الحوسبة) [الكمومية](/tag/الكمومية) (Quantum Annealers) التي تتعامل مع المسافات الثنائية بين العملاء كجزء من دالة تكلفة معقدة.
الأسلوب المطروح يتفوق على طرق التقليدية مثل MultiKrum، التي تعتمد على تسجيل الدرجات لكل عميل بشكل فردي. بدلاً من ذلك، يقوم أسلوب QUBO بتحسين [الأداء](/tag/الأداء) [عبر](/tag/عبر) تحديد المجموعة الأفضل من العملاء الأقرب لبعضهم البعض.
عند إجراء [التجارب](/tag/التجارب) على 15 عميل، حقق أسلوب QUBO [دقة](/tag/دقة) [كشف](/tag/كشف) تصل إلى 95.11% ضد [هجمات](/tag/هجمات) Advanced LIE، مقارنة بـ 81.33% لاستراتيجية MultiKrum. في بيئات أكثر تعقيدًا، مثل MNIST وCIFAR-10، أظهرت النتائج تفوقًا ملحوظًا في كل من الكشف وتقليل [الأخطاء](/tag/الأخطاء).
وعند زيادة [عدد](/tag/عدد) العملاء، أوضح [البحث](/tag/البحث) أن جودة [أداء](/tag/أداء) QUBO قد تتعرض للتدهور. للتصدي لهذه المشكلة، تم تقديم نظام MultiSignal الذي يعتمد على [تصنيف](/tag/تصنيف) الهجمات إلى أربع فئات، ويستخدم بوابة [توجيه](/tag/توجيه) تعتمد على الفجوات بين درجات Krum. هذا يسمح بالتعامل مع [هجمات](/tag/هجمات) الانسحاب من خلال توجيهها إلى QUBO مع [تصويت](/tag/تصويت) اتفاقية.
في [التجارب](/tag/التجارب) التي شملت 100 عميل على [مجموعة بيانات](/tag/مجموعة-[بيانات](/tag/بيانات)) MNIST، حقق نظام MultiSignal معدل [دقة](/tag/دقة) [كشف](/tag/كشف) بلغ 95.3%، مقارنة بـ 91.8% لـ MultiKrum التقليدي. وهذا يدل على التحسينات الكبيرة في [دقة](/tag/دقة) الكشف ضد [هجمات](/tag/هجمات) Sparse Lie وAdvanced Lie.
تظهر هذه النتائج أن استخدام [الحوسبة](/tag/الحوسبة) [الكمومية](/tag/الكمومية) [عبر](/tag/عبر) QUBO جنبًا إلى جنب مع نظام MultiSignal يمثل دفاعاً موثوقاً وقابلاً للتوسع ضد [استراتيجيات](/tag/استراتيجيات) بيزنطية الأكثر تحديًا في [التعلم الفيدرالي](/tag/[التعلم](/tag/التعلم)-الفيدرالي).
ما رأيكم في هذا التقدم التكنولوجي الجديد؟ شاركونا في [التعليقات](/tag/التعليقات).
تعزيز الأمن في التعلم الفيدرالي: كيف يمكن للحوسبة الكمومية مواجهة هجمات بيزنطية؟
يقدم بحث حديث طريقة جديدة تعتمد على الحوسبة الكمومية لمواجهة هجمات بيزنطية في التعلم الفيدرالي، مما يعزز أمان البيانات في أنظمة التعلم الذكي. بفضل أسلوب اتخاذ القرار المتقدم، يرتفع معدل دقة الكشف عن الهجمات بشكل كبير.
المصدر الأصلي:أركايف للذكاء
زيارة المصدر الأصلي ←جاري تحميل التفاعلات...
