这篇文档属于类型a，即报告了一项原创研究。以下是针对该研究的学术报告：
主要作者及研究机构
本研究的主要作者包括Aman Patil、Adesh Choudhar、Darshan Shah、Jibi Abraham和Apeksha Bochare，均来自印度浦那的COEP Technological University。该研究发表于2024年6月24日至28日举行的第15届ICCCNT IEEE会议，会议地点为印度曼迪的IIT。
学术背景
本研究的主要科学领域为联邦学习（Federated Learning, FL）及其在信用评分系统中的应用。联邦学习是一种去中心化的机器学习方法，允许在本地数据集上训练模型，而无需将数据传输到中央服务器。尽管联邦学习在隐私保护和数据安全方面具有显著优势，但其开放的训练环境和暴露的模型参数使其容易受到恶意攻击，特别是数据投毒（Data Poisoning）、模型投毒（Model Poisoning）和拜占庭攻击（Byzantine Attack）等。
信用评分系统通常依赖于集中式数据处理，这可能导致数据泄露和隐私风险。因此，本研究旨在探索基于非独立同分布（Non-IID）数据的联邦学习系统，以替代现有的集中式信用评分系统，并分析不同类型攻击对学习指标的影响。
研究流程
本研究包括以下几个主要步骤：
1. 联邦学习架构的构建
研究使用TensorFlow Federated（TFF v0.50.0）框架构建联邦学习系统。该框架支持非独立同分布数据的分配，并允许开发者在本地数据集上训练模型，然后将模型更新发送给协调器进行全局模型聚合。研究采用水平联邦学习（Horizontal Federated Learning, HFL）方法，即每个参与者使用相同特征但不同数据点进行训练。
2. Keras神经网络与TensorFlow Federated的集成
研究将Keras神经网络集成到TFF框架中，使用分类交叉熵损失函数和随机梯度下降（SGD）优化器更新模型参数。通过TFF模型的前向传递执行Keras模型，并在多个参与者之间分布式训练模型参数。
3. 攻击实验的设计与实施
研究针对联邦学习系统进行了三种攻击实验：
- 标签翻转攻击（Label-Flipping Attack）：通过翻转数据标签（10%至90%）来实施数据投毒攻击，观察其对模型精度和召回率的影响。
- 拜占庭攻击（Byzantine Attack）：通过上传虚假权重而非实际权重来干扰全局模型的训练过程，观察其对模型性能的影响。
- 数据投毒攻击（Data Poisoning Attack）：通过恶意修改高相关性属性的值来实施数据投毒攻击，观察其对模型精度和召回率的影响。
4. 实验结果分析
研究分析了不同攻击百分比对模型学习指标的影响，包括精度（Precision）和召回率（Recall）。实验结果显示，随着攻击百分比的增加，标签翻转攻击和拜占庭攻击对模型性能的影响显著，而数据投毒攻击的影响相对较小。
主要结果
1. 标签翻转攻击
当攻击百分比为90%时，模型的精度从70%降至69%，召回率从59%大幅降至21.78%。这表明标签翻转攻击对模型召回率的影响尤为显著。
2. 拜占庭攻击
当攻击百分比为90%时，模型的精度从70%降至29%，召回率从59%降至29%。这表明拜占庭攻击对模型精度和召回率均有显著负面影响。
3. 数据投毒攻击
当攻击百分比为90%时，模型的精度从70%降至68%，召回率从59%降至56%。这表明数据投毒攻击对模型性能的影响相对较小。
总体而言，研究结果表明，联邦学习系统在非独立同分布数据场景下容易受到攻击，且攻击类型和攻击百分比对模型性能的影响存在显著差异。
结论与意义
本研究证实了联邦学习在保护敏感银行数据隐私方面的潜力，但同时也揭示了其在非独立同分布数据场景下的脆弱性。通过分析不同类型攻击对模型性能的影响，研究为开发更安全的联邦学习系统提供了重要依据。未来的研究方向包括改进联邦学习的鲁棒性，探索更有效的攻击检测和防御机制，以及优化非独立同分布数据场景下的模型性能。
研究亮点
1. 研究对象的特殊性
本研究首次将联邦学习应用于非独立同分布数据的信用评分系统，填补了该领域的研究空白。
2. 实验设计的创新性
研究系统性地分析了标签翻转攻击、拜占庭攻击和数据投毒攻击对联邦学习系统的影响，为相关研究提供了新的实验框架。
3. 结果的实用性
研究结果为金融机构在采用联邦学习技术时提供了重要的安全参考，有助于提高信用评分系统的隐私保护和抗攻击能力。
其他有价值的内容
研究还探讨了联邦学习系统在非独立同分布数据场景下的挑战，并提出了个性化模型的解决方案。此外，研究还分析了参与者数量和攻击百分比对模型性能的影响，为联邦学习系统的优化提供了新的思路。
这篇报告详细介绍了研究的背景、流程、结果和意义，为相关领域的研究者提供了全面的参考。