学位论文简介

联邦学习作为实现数据安全共享的重要技术，在解决“数据孤岛”问题方面具有重要意义。然而，其在实际应用中仍面临数据与系统异构、训练过程安全威胁以及梯度共享导致的隐私泄露等关键科学问题。针对这些问题，本文围绕提升联邦学习训练效率、训练安全与数据隐私安全开展研究，构建了适用于复杂环境的高效、安全的联邦学习方法体系。主要创新成果如下：

（1） 针对多参与方异构环境下训练效率低与性能下降的问题，提出解耦式二分类器个性化联邦学习方法 FedBin。该方法通过多分类任务重构与异步训练机制提升全局模型稳定性，并设计数据构建与输出对齐策略，提高异构条件下的训练效率与模型准确率。

（2） 针对联邦训练易受拜占庭攻击的问题，提出基于动态权重的鲁棒聚合方法。通过模型反演生成合成数据并评估客户端可靠性，实现自适应聚合；进一步提出快速动态权重策略，在降低计算开销的同时保持高效攻击防御能力。

（3） 针对梯度更新引发隐私泄露的风险，提出基于动态隐私预算的差分隐私保护方法。通过成员推断攻击的隐私风险量化与类别平均损失设计，提高隐私风险评估准确性，并根据风险自适应分配隐私预算，兼顾隐私保护与模型性能。

主要学术成果

[1]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)

[2]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)

[3]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)

[4]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)