arXiv · ML· Victor Taiwo, Cemal Nisan, Muhammad Athallah, M. Emre Gursoy, Oznur Ozkasap·· 9 小时前AI 评分28
联邦学习恶意软件图像分类：数据异构下的研究
Federated Learning for Malware Image Classification under Data Heterogeneity
AI 导读
针对恶意软件图像分类中联邦学习面临的数据异构（non-IID）挑战，研究在三个数据集上实证显示，随数据非独立同分布程度增加，模型精度与训练稳定性均下降。 提出轮次级统计指标，证明类熵与全局模型精度强正相关；基于此设计熵感知客户端选择策略，实验表明其性能优于随机选择。 结果凸显了客户端构成在联邦恶意软件图像分类中的关键作用，强调了数据异构下分布感知训练的重要性。
来源：arXiv · ML · arxiv.org