学位论文简介
联邦学习作为一种能够在保护数据隐私的前提下提升数据利用效率的新兴机器学习范式，有效缓解了“数据孤岛”问题，已成为促进数据安全流通与协作共享的关键技术。然而，联邦学习也面临异构训练环境、训练过程安全与隐私保护等多维挑战：一方面，跨参与方的协同训练易受非独立同分布数据、异构计算资源及不稳定网络带宽等因素影响，显著降低模型训练效率；另一方面，其开放式的协作架构引入潜在安全威胁，攻击者可通过伪装合法客户端实施恶意行为，干扰训练过程，甚至基于共享梯度信息推断用户敏感数据。为了解决上述问题，本文从训练效率、安全聚合与隐私保护三个维度对其进行系统性优化，取得了以下主要创新性研究成果：
（1）提出了一种基于解耦二分类器的个性化联邦学习方法FedBin。该方法将传统联邦学习中的多分类任务重构为多个并行的二分类任务，以增强对异构环境的适应能力。具体地，在模型层面设计了一种异步训练机制，能够在部分客户端不可用的情况下维持全局模型的稳定训练；在数据层面提出了FedBin数据集构建算法，为每个二分类器构建专用训练集，以降低模型训练难度。理论分析与实验结果表明，FedBin在通信开销、模型精度与异构鲁棒性方面均优于当前主流个性化联邦学习算法。
（2）提出了一种基于动态聚合权重的拜占庭鲁棒聚合方法。该方法首先利用模型反演技术生成合成数据集，并基于其对各客户端的性能评估结果动态计算聚合权重，实现在无真实外部数据条件下的高效拜占庭防御。为进一步降低计算开销，提出一种快速动态聚合权重策略，通过复用历史合成数据以提升反演效率，在基本保持原有防御性能的同时显著加速聚合过程。实验表明，所提方法在模型投毒、标签翻转等多种攻击场景下，均优于现有鲁棒聚合算法。
（3）提出了一种基于动态隐私预算的差分隐私保护方法。首先，设计了一种基于成员推断攻击的隐私风险量化方法，用于评估本地模型的隐私泄露风险；其次，引入类别平均损失以替代传统全局平均损失，提升隐私评估的准确性；最后，提出一种隐私预算动态调节机制，能够依据本地模型隐私风险自适应分配隐私预算，在满足隐私保护要求的同时最大限度减少对模型性能的影响。该方法为联邦学习环境下隐私预算的合理分配与使用提供了可量化、可调控的解决方案。
主要学术成果
Zheng Li, Mingxing Duan, Bin Xiao, Shenghong Yang. A Novel Anomaly Detection Method for Digital Twin Data Using Deconvolution Operation with Attention Mechanism[J]. IEEE Transactions on Industrial Informatics, 2022, 19(5): 7278-7286. (本人第一作者，SCI一区)
Zheng Li, Mingxing Duan, Siyang Yu, Wenjing Yang. DynamicNet: Efficient Federated Learning for Mobile Edge Computing with Dynamic Privacy Budget and Aggregation Weights[J]. IEEE Transactions on Consumer Electronics, 2024, 71(2): 6511-6520. (本人第一作者，SCI二区)
Zheng Li, Yan Ding, Yikun Hu, Mingxing Duan, Zhuo Tang, Kenli Li. Intrusion Detection for Cyber-Physical-Social Systems: A Collaborative Hybrid Recursive Feature Addition-Based Approach[J]. IEEE Transactions on Computational Social Systems. (本人第一作者, SCI一区, Under Review)
Zheng Li, Ningshu Li, Jiayan Deng, Shirui Tian, Muzhou Liu, Mingxing Duan. FedBin: Decoupled Binary Classifier Aggregation for Personalized Federated Learning[J]. IEEE Transactions on Systems, Man, and Cybernetics: Systems. (本人第一作者，SCI一区, Under Review)
