联邦学习研究发现，96% 准确率也可能漏掉全部稀有攻击
Initial-Street6388 · reddit · 2026-07-22
一项联邦学习研究显示，整体准确率会掩盖少数攻击类别的完全失效
作者把 FedAvg、FedProx、FedNova 与一个集中式基线放到 CICIDS2017 网络入侵检测数据集上比较，并按攻击类型把数据拆成四个模拟 silo。
其中少数类 silo Web Attacks 只有大约 3000 条样本，而总样本量约 300 万。帖子给出的结论很清楚：
- FedAvg 的整体准确率能到约 96%，但在少数类 silo 上只有 49% 左右，对攻击类的 recall 甚至是 0.00，也就是把这一类攻击全漏掉了。
- 集中式基线虽然能看到全部数据，但在 10 个随机种子 下，同一少数类的表现会从约 57% 摆到 99.5%，波动极大。
- FedNova 最稳定，在各个 silo 和不同种子下都维持高 90 分表现，同时没有牺牲全局准确率。
作者的核心结论是：在联邦入侵检测里，全局 accuracy 远远不够，必须看每个客户端/类别的细分表现，而聚合方法对稀有攻击识别影响很大。
「研究」频道最新
- 多分辨率图像堆叠在音频实验中优于金字塔表示 — johnowhitaker · 2026-07-22
- 重训 AlphaFold3 的 MSA 模块，验证它是否学到逆协方差结构 — anshulkundaje · 2026-07-22
- NBER 新论文补齐组织如何使用 AI 的三篇研究 — daveholtz · 2026-07-22
- OAT 仅用 100 条成功轨迹定位失败 AI agent — TheTuringPost · 2026-07-22
- MoE：当下多款顶级大模型采用的混合专家架构 — vista8 · 2026-07-22
- NexForge 用需求合成 agent 数据，Qwen3.5 提升 30 多分 — nex-agi · 2026-07-22