MultiMOORA-Guided Federated Learning With KD Stabilization for Health Monitoring Devices as Protection Against Poisoning Attacks
Notice bibliographique
Résumé
Federated learning (FL) has emerged as a practical solution for training deep neural networks while preserving data privacy, particularly in scenarios like the Internet of Things (IoT), where user devices generate sensitive private data. While FL addresses privacy concerns, existing aggregation methods remain vulnerable to malicious poisoning attacks. Therefore, developing new approaches to optimize client selection as a preventive mechanism is crucial to FL’s strategy. This paper introduces a novel enhancement to FL by integrating the MultiMOORA technique into a robust aggregation mechanism with knowledge distillation (KD). During FL rounds, local models are evaluated using classification metrics (loss, accuracy, precision, recall, f1-score) and ranked using the Multi-Criteria Decision Maker (MCDM). The resulting ranking is used to select the best-performing models for aggregation and detect possible infected clients. Furthermore, the top client is chosen as an aggregator. During aggregation, chosen best models are weight-averaged and form teacher ensemble, used for stabilizing newly formed global model via KD. The proposed FL strategy reduces the risk of adversarial poisoning attacks on FL systems and stabilizes FL training process. The experimental results indicate the system’s resilience and ability to perform reliably in hostile environments, as the proposed FL system achieved 89.50% F1-score under label-poisoning scenario. Based on further analysis, the proposed methods could be integrated into a digital-twin-based modern healthcare system.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,011 | 0,008 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».