Robust Clustering under Byzantine Threats: A Federated gamma-SUP PCA Approach

NCU Institutional Repository > 理學院 > 統計研究所 > 博碩士論文 > Item 987654321/98006

jsp.display-item.identifier=請使用永久網址來引用或連結此文件: https://ir.lib.ncu.edu.tw/handle/987654321/98006

题名:	Robust Clustering under Byzantine Threats: A Federated gamma-SUP PCA Approach
作者:	楊朝硯;Yang, Chao-Yan
贡献者:	統計研究所
关键词:	聯邦學習;拜占庭攻擊;gamma-SUP;gamma-SUP PCA;非監督式學習;federated learning;Byzantine attacks;gamma-SUP;gamma-SUP PCA;unsupervised learning
日期:	2025-07-03
上传时间:	2025-10-17 12:14:59 (UTC+8)
出版者:	國立中央大學
摘要:	本研究提出一套具備魯棒性的聚類整合框架，以有效應對聯邦學習環境中潛在的拜占庭攻擊（Byzantine attacks）。本方法將 γ-自我更新程序（γ-Self Update Process, γ-SUP）擴展應用至聯邦式架構，並進一步發展出聯邦 γ-SUP 主成分分析（Federated γ-SUP PCA）技術。於此架構中，各個客戶端首先透過 γ-SUP PCA 進行本地運算，以萃取潛在資料結構並估計聚類參數，隨後將本地的群中心及對應的共變異數矩陣傳送至中央伺服器。中央伺服器根據彙集而來的資訊執行全域聚類與估計精煉，並將更新結果回傳至各客戶端，以進行回歸式的本地參數校準。該聯邦 γ-SUP PCA 架構不僅強化對惡意客戶端的抵抗能力，亦大幅提升平均值與共變異數之估計準確性。模擬實驗結果顯示，本方法在面對資料異質性與對抗性干擾情境時，仍展現高度之穩健性與效能，為聯邦式非監督學習提供一套具備擴展性與實用性的解決方案。;In this article, we propose a new robust clustering integration framework to address potential Byzantine attacks in federated learning environments. We extend the γ-Self Update Process (γ-SUP) to the federated setting and develop a federated γ-SUP PCA method. In the proposed framework, each client performs local computations using γ- SUP PCA to capture latent structures and estimate clustering parameters. The clients then transmit their local cluster centers and corresponding covariance matrices to a cen- tral server. The server performs global clustering and refines the estimates based on the received centers, then returns the results to each client for local parameter calibration via regression. The federated γ-SUP PCA architecture not only enhances robustness against malicious clients but also significantly improves the accuracy of mean and co- variance estimation. Simulation results demonstrate that the proposed method remains effective and robust even in scenarios with data heterogeneity and adversarial distur- bances, offering a scalable and practical solution for unsupervised learning in federated systems.
显示于类别:	[統計研究所] 博碩士論文

文件中的档案:

档案	描述	大小	格式	浏览次数
index.html		0Kb	HTML	3	检视/开启

在NCUIR中所有的数据项都受到原著作权保护.

社群 sharing

数据加载中.....