良性和对抗性客户端异质性下飞机发动机预测的稳健和个性化联合学习

arXiv:2608.04045v1 公告类型：新 摘要：联邦学习 (FL) 使飞机机队运营商能够通过发动机传感器遥测技术联合训练剩余使用寿命 (RUL) 模型，而无需共享原始数据。这项研究研究了两个互补的挑战：良性异质性（诚实的操作员观察不同的操作条件和故障模式）和对抗性异质性（其中受损的操作员提交有毒更新）。我们使用多任务一维卷积神经网络和商业模块化航空推进系统仿真 (C-MAPSS) 基准的结构非 IID 分区进行受控的、以安全为导向的评估。我们比较了针对良性异质性的四种补救措施，并评估了针对四种聚合方法的五种攻击，包括旨在掩盖引擎退化的物理驱动的传感器值后门。共享表示个性化缩小了约 70% 的局部与集中均方根误差差距，而近端正则化的差距为 21%，服务器端重新加权的差距为 10%。与标准平均相比，后门的攻击成功率达到了 94.9%，同时在统计上保持干净的准确度不变，这表明仅靠准确度并不能证明模型的安全性，并且必须明确评估攻击成功与否。 Krum 将攻击成功率降低了一个数量级，并且是唯一经过评估的能够抵御协同攻击的聚合器，而单独的个性化并不能提供保护。将个性化与鲁棒聚合相结合可以恢复鲁棒性（2.8% 的攻击成功率），而精确度成本却很小，揭示了鲁棒更新选择和协作表示学习之间的权衡。结果在不同客户数量和更困难的六条件数据集上保持一致。代码和数据分区被发布以实现可重复性。