联邦学习下恶意软件图像分类研究发布

研究针对恶意软件图像分类中联邦学习面临的数据异构挑战，在三个数据集上开展实证研究。结果显示，随着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。 研究团队提出轮次级统计指标，证明类熵与全局模型精度存在强正相关。基于此，他们设计并验证了熵感知客户端选择策略，该策略通过基于类熵过滤候选客户端子集，其性能优于标准的随机选择方法。 该研究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，强调了在数据异构环境下采用分布感知训练的重要性。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。