docs: finalize thesis proposal markdown
This commit is contained in:
willtanoe committed
1 parent
b74a81f6c4
commit
e27c5a83ab
4 files changed
+120
-146
No files matched your search
@@ -21,12 +21,12 @@ Metadata confidence: `high` = title/authors/year/venue confirmed from primary so
|
||||
| ID | Reference | Year | Category | Key finding relevant to proposal | Limitation / boundary | Where used in proposal | Verified source | Metadata confidence |
|
||||
|---|---|---|---|---|---|---|---|---|
|
||||
| L01 | McMahan et al., Communication-Efficient Learning of Deep Networks from Decentralized Data | 2017 | A | Introduces Federated Learning and FedAvg; clients train locally and only model updates are aggregated; robust to unbalanced and non-IID data is a defining characteristic | Does not address class prototypes or rare-class detection | §1.1; §2.1 | arXiv:1602.05629; AISTATS 2017 (journal ref on arXiv page) | high |
|
||||
| L02 | Kairouz et al., Advances and Open Problems in Federated Learning | 2021 | A, C | Broad authoritative survey; frames statistical heterogeneity as a central open problem in FL | Survey of general FL, not IDS-specific | §1.1; §2.1; §2.2 | arXiv:1912.04977; Foundations and Trends in ML 14(1–2):1–210, DOI 10.1561/2200000083 | high (volume discrepancy vs arXiv comment noted) |
|
||||
| L02 | Kairouz et al., Advances and Open Problems in Federated Learning | 2021 | A, C | Broad authoritative survey; frames statistical heterogeneity as a central open problem in FL | Survey of general FL, not IDS-specific | §1.1; §2.1; §2.2 | arXiv:1912.04977; Foundations and Trends in ML 14(1–2):1–210, DOI 10.1561/2200000083 | high |
|
||||
| L03 | Li et al., Federated Optimization in Heterogeneous Networks (FedProx) | 2020 | C | Introduces a proximal term to stabilize optimization under systems and statistical heterogeneity; motivates the proximal component used by PROTEAN | Focus on optimization convergence, not prototype aggregation | §1.1; §2.2 | arXiv:1812.06127; MLSys 2020 | high |
|
||||
| L04 | Zhao et al., Federated Learning with Non-IID Data | 2018 | C | Shows that non-IID data can sharply reduce FL accuracy and links it to distribution divergence across clients | Preprint; no peer-reviewed venue confirmed | §1.1; §2.2 | arXiv:1806.00582 | medium (venue/status) |
|
||||
| L05 | Zhu et al., Federated learning on non-IID data: A survey | 2021 | C | Systematic survey of non-IID handling strategies in FL | Survey; not specific to IDS or class support weighting | §1.1; §2.2 | Neurocomputing 465:371–390, DOI 10.1016/j.neucom.2021.07.098; arXiv:2106.06843 | high |
|
||||
| L06 | Li et al., Federated Learning on Non-IID Data Silos: An Experimental Study | 2021 | C | Empirical study with diverse non-IID partitions; no single FL algorithm dominates across settings | Preprint; peer-reviewed venue not confirmed from primary page | §2.2 | arXiv:2102.02079 | medium (venue/status) |
|
||||
| L07 | Agrawal et al., Federated Learning for Intrusion Detection System: Concepts, Challenges and Future Directions | 2021 | B | Reviews FL for IDS; identifies data heterogeneity and communication as key challenges | Journal version not confirmed (arXiv says submitted to JNCA) | §1.1; §2.1 | arXiv:2106.09527 | medium (venue/status) |
|
||||
| L06 | Li et al., Federated Learning on Non-IID Data Silos: An Experimental Study | 2022 | C | Empirical study with diverse non-IID partitions; no single FL algorithm dominates across settings | Focus on silo settings; not IDS or class support weighting | §2.2 | ICDE 2022, pp. 965–978, DOI 10.1109/ICDE53745.2022.00077; arXiv:2102.02079 | high |
|
||||
| L07 | Agrawal et al., Federated learning for intrusion detection system: Concepts, challenges and future directions | 2022 | B | Reviews FL for IDS; identifies data heterogeneity and communication as key challenges | Review; no prototype or rare-class method | §1.1; §2.1 | Computer Communications 195:346–361, DOI 10.1016/j.comcom.2022.09.012; arXiv:2106.09527 | high |
|
||||
| L08 | Ferrag et al., Deep learning for cyber security intrusion detection: Approaches, datasets, and comparative study | 2020 | B, D | Reviews deep-learning IDS approaches and datasets, including evaluation concerns | Not FL-specific and not class-imbalance-specific | §1.1; §2.1 | Journal of Information Security and Applications 50:102419, DOI 10.1016/j.jisa.2019.102419 | high |
|
||||
| L09 | Johnson & Khoshgoftaar, Survey on deep learning with class imbalance | 2019 | D | Shows that aggregate metrics can hide minority-class failure; surveys class-imbalance handling in deep learning | General deep learning, not FL or IDS | §1.1; §2.2 | Journal of Big Data 6:27, DOI 10.1186/s40537-019-0192-5 | high |
|
||||
| L10 | Sokolova & Lapalme, A systematic analysis of performance measures for classification tasks | 2009 | H | Formalizes macro-averaged and class-level performance measures, motivating macro-F1 for imbalanced classes | Classical evaluation paper; not FL | §1.1; §2.2; §3.10 | Information Processing & Management 45(4):427–437, DOI 10.1016/j.ipm.2009.03.002 | high |
|
||||
@@ -47,12 +47,19 @@ Metadata confidence: `high` = title/authors/year/venue confirmed from primary so
|
||||
| G. sample/support-weighted prototype aggregation | L11 (primary), L12 |
|
||||
| H. macro-F1 / class-level metrics | L10 |
|
||||
|
||||
## Known literature gaps (to resolve before final submission)
|
||||
## Known literature gaps (remaining before final submission)
|
||||
|
||||
1. Fewer than two IDS-specific class-imbalance or rare-attack detection references are currently
|
||||
verified. One or two peer-reviewed IDS papers on rare/minority attack detection should be added.
|
||||
2. Venue/status of L04, L06, L07 must be confirmed (they are currently cited as preprints).
|
||||
3. The Kairouz et al. volume discrepancy (arXiv comment "Vol 4" vs bibliographic vol. 14) and the
|
||||
McMahan et al. AISTATS page range should be reconciled.
|
||||
4. No reference is currently drawn from the PROTEAN paper's own related-work list; that list has not
|
||||
2. No reference is currently drawn from the PROTEAN paper's own related-work list; that list has not
|
||||
been extracted into the repository.
|
||||
|
||||
## Resolved in the final audit (2026-10-02)
|
||||
|
||||
- L06 venue/status resolved: ICDE 2022, pp. 965–978 (DOI 10.1109/ICDE53745.2022.00077).
|
||||
- L07 venue/status resolved: Computer Communications 195:346–361 (2022), DOI
|
||||
10.1016/j.comcom.2022.09.012.
|
||||
- L02 Kairouz volume discrepancy resolved: vol. 14(1–2), pp. 1–210 (DOI 10.1561/2200000083).
|
||||
- L01 McMahan AISTATS page range resolved: PMLR 54, 1273–1282.
|
||||
- L04 Zhao et al. remains an arXiv preprint and is flagged [metadata perlu diverifikasi];
|
||||
no peer-reviewed venue is asserted.
|
||||
@@ -27,7 +27,7 @@ Long-form evidence keys: `protocol` = `docs/research/EXPERIMENT_PROTOCOL.md`;
|
||||
|
||||
| Claim | Evidence |
|
||||
|---|---|
|
||||
| Working title uses "Penalaan" instead of "Optimasi" | PROJECT decision; rationale: β is tuned among discrete candidates, no global optimum claimed. See proposal `Catatan Perbaikan` and `claims` claims 4–5 |
|
||||
| Final title uses "Optimasi", meaning empirical selection of β among the predefined discrete candidates, not a global mathematical optimum | PROJECT decision; stated explicitly in the proposal header note. Consistent with the SPEC title and `claims` claims 4–5 |
|
||||
| Scope is one method, one component, one tunable mechanism | SPEC §1, §11; `interp` §1, §11; `agents` §8 |
|
||||
|
||||
## 1. Federated Learning and non-IID background
|
||||
@@ -35,9 +35,9 @@ Long-form evidence keys: `protocol` = `docs/research/EXPERIMENT_PROTOCOL.md`;
|
||||
| Claim | Type | Source |
|
||||
|---|---|---|
|
||||
| FL trains collaboratively without centralizing raw data | PAPER | McMahan et al. (2017); Kairouz et al. (2021) |
|
||||
| Statistical heterogeneity is a central FL challenge | PAPER | Zhao et al. (2018); Zhu et al. (2021); Kairouz et al. (2021); Li et al. (2021) |
|
||||
| Statistical heterogeneity is a central FL challenge | PAPER | Zhao et al. (2018); Zhu et al. (2021); Kairouz et al. (2021); Li et al. (2022) |
|
||||
| A proximal term stabilizes training under heterogeneity | PAPER | Li et al. (2020) |
|
||||
| FL for IDS must cope with heterogeneous traffic and data ownership | PAPER | Agrawal et al. (2021); Ferrag et al. (2020) |
|
||||
| FL for IDS must cope with heterogeneous traffic and data ownership | PAPER | Agrawal et al. (2022); Ferrag et al. (2020) |
|
||||
| Aggregate metrics can hide minority-class failure | PAPER | Johnson & Khoshgoftaar (2019) |
|
||||
| Macro-averaged / class-level measures suit imbalanced classes | PAPER | Sokolova & Lapalme (2009) |
|
||||
|
||||
@@ -110,12 +110,12 @@ Long-form evidence keys: `protocol` = `docs/research/EXPERIMENT_PROTOCOL.md`;
|
||||
| Direct aggregation effect separated from end-to-end training effect | SPEC | SPEC §6, §9; `protocol` §11; `interp` §9 |
|
||||
| Rare-class evaluation support recorded | SPEC | SPEC §9; `protocol` §9–10 |
|
||||
|
||||
## 8. Research narrowing and title change
|
||||
## 8. Research narrowing and title decision
|
||||
|
||||
| Claim | Type | Source |
|
||||
|---|---|---|
|
||||
| Broad earlier scope (including Differential Privacy and multiple mechanisms) is excluded | PROJECT / external | Not documented in the repository; described as external session context. Current narrowing is supported by SPEC §11 and `interp` §11 |
|
||||
| Title changed from "Optimasi" to "Penalaan" | PROJECT | Proposal `Catatan Perbaikan`; consistency with `claims` claims 4–5 |
|
||||
| Broad earlier scope (including Differential Privacy and multiple mechanisms) is excluded from the final design | PROJECT / external | Excluded external session context; current narrowing is supported by SPEC §11 and `interp` §11 |
|
||||
| Final title uses "Optimasi", meaning empirical selection of β among the predefined discrete candidates, not a global optimum | PROJECT | Proposal title and header note; consistency with SPEC title and `claims` claims 4–5 |
|
||||
| Literature strengthened with verified references | PAPER | `LITERATURE_MATRIX.md`; `REFERENCES_VERIFIED.md` |
|
||||
|
||||
## 9. Preliminary study statements
|
||||
@@ -136,12 +136,15 @@ Long-form evidence keys: `protocol` = `docs/research/EXPERIMENT_PROTOCOL.md`;
|
||||
| Final RQ conclusions | `synthesis` §9–11 | Reserved for the thesis |
|
||||
| Complete 108-run inventory findings | `synthesis`; `handoff` | Proposal presents the grid as a design, not a completed study |
|
||||
|
||||
## 11. Items not yet evidenced in the repository
|
||||
## 11. Reference-metadata status
|
||||
|
||||
| Item | Status |
|
||||
|---|---|
|
||||
| IDS-specific class-imbalance / rare-attack peer-reviewed references | Not yet present; must be sourced and verified |
|
||||
| Journal version of the FL-IDS survey (Agrawal et al.) | Unverified |
|
||||
| Peer-reviewed venue of Zhao et al. (2018) and Li et al. (2021) | Unverified |
|
||||
| AAAI DOI and page details for FedProto | To confirm |
|
||||
| Volume/pages for Kairouz et al. (2021) and Mu et al. (2023) | To confirm |
|
||||
| IDS-specific class-imbalance / rare-attack peer-reviewed references | Not yet present; identified literature gap (see `LITERATURE_MATRIX.md` §Known literature gaps) |
|
||||
| Peer-reviewed venue of Zhao et al. (2018) | Remains an arXiv preprint; flagged **[metadata perlu diverifikasi]** in the bibliography |
|
||||
| Journal version of Agrawal et al. | RESOLVED: *Computer Communications* 195:346–361 (2022), DOI 10.1016/j.comcom.2022.09.012 |
|
||||
| Peer-reviewed venue of Li et al. (2021/2022, non-IID silos) | RESOLVED: ICDE 2022, pp. 965–978, DOI 10.1109/ICDE53745.2022.00077 |
|
||||
| Kairouz et al. volume discrepancy | RESOLVED: vol. 14(1–2), pp. 1–210, DOI 10.1561/2200000083 |
|
||||
| McMahan et al. AISTATS page range | RESOLVED: PMLR 54, 1273–1282 |
|
||||
| AAAI DOI/pages for FedProto | RESOLVED (V11) |
|
||||
| Volume/pages for Mu et al. (2023) | RESOLVED: *Future Generation Computer Systems* 143:93–104 (V12) |
|
||||
@@ -12,8 +12,8 @@ Status definitions:
|
||||
- **requires metadata confirmation** — used only for individual fields (volume/pages), not for the
|
||||
existence of the work.
|
||||
|
||||
Verification date: 2026-10-02. Method: primary arXiv abstract pages and Semantic Scholar
|
||||
bibliographic API.
|
||||
Verification date: 2026-10-02. Method: primary arXiv abstract pages, Semantic Scholar
|
||||
bibliographic API, and OpenAlex/Crossref bibliographic records.
|
||||
|
||||
---
|
||||
|
||||
@@ -24,9 +24,9 @@ bibliographic API.
|
||||
1273–1282.
|
||||
- Identifier: arXiv:1602.05629; DOI 10.48550/arXiv.1602.05629.
|
||||
- Verification source: arXiv abstract page (journal ref: "Proceedings of the 20th AISTATS 2017.
|
||||
JMLR: W&CP volume 54").
|
||||
JMLR: W&CP volume 54"); OpenAlex record confirms pages 1273–1282.
|
||||
- Status: **verified**.
|
||||
- Note: page range not shown on the arXiv page; confirm PMLR page numbers.
|
||||
- Note: pages 1273–1282 confirmed from the bibliographic record.
|
||||
|
||||
## V02 — Kairouz et al. (2021)
|
||||
|
||||
@@ -37,9 +37,9 @@ bibliographic API.
|
||||
- Verification source: arXiv abstract page (comment: published in Foundations and Trends in Machine
|
||||
Learning, Now Publishers); Semantic Scholar record (venue "Found. Trends Mach. Learn.",
|
||||
vol. 14, pp. 1–210, DOI 10.1561/2200000083).
|
||||
- Status: **verified** — DOI, volume and pages confirmed from a bibliographic record. Note: the
|
||||
arXiv comment states "Vol 4 Issue 1", which conflicts with vol. 14; this discrepancy should be
|
||||
reconciled before final submission.
|
||||
- Status: **verified** — DOI, volume and pages confirmed from bibliographic records; the arXiv
|
||||
comment "Vol 4 Issue 1" is a known arXiv metadata artifact and is superseded by the publisher
|
||||
record (vol. 14, pp. 1–210).
|
||||
|
||||
## V03 — Li et al. (2020), FedProx
|
||||
|
||||
@@ -48,7 +48,8 @@ bibliographic API.
|
||||
(MLSys 2020), 2, 429–450.
|
||||
- Identifier: arXiv:1812.06127; DOI 10.48550/arXiv.1812.06127.
|
||||
- Verification source: arXiv abstract page (comment: MLSys 2020).
|
||||
- Status: **verified** — venue confirmed from primary page; page range conventional (confirm).
|
||||
- Status: **verified** — venue confirmed from primary page; pages follow the MLSys 2020
|
||||
proceedings (2:429–450).
|
||||
|
||||
## V04 — Zhao et al. (2018)
|
||||
|
||||
@@ -67,24 +68,25 @@ bibliographic API.
|
||||
- Verification source: Semantic Scholar bibliographic record (title, authors, year, venue, DOI).
|
||||
- Status: **verified**.
|
||||
|
||||
## V06 — Li et al. (2021), non-IID silos
|
||||
## V06 — Li et al. (2022), non-IID silos
|
||||
|
||||
- Citation: Li, Q., Diao, Y., Chen, Q., & He, B. (2021). Federated Learning on Non-IID Data Silos:
|
||||
An Experimental Study.
|
||||
- Identifier: arXiv:2102.02079; DOI 10.48550/arXiv.2102.02079.
|
||||
- Verification source: arXiv abstract page.
|
||||
- Status: **partially verified** — work and authors confirmed; peer-reviewed venue/status not
|
||||
confirmed. (Frequently associated with ICDE 2022, but this was not confirmed from a primary
|
||||
record and is therefore not asserted.)
|
||||
- Citation: Li, Q., Diao, Y., Chen, Q., & He, B. (2022). Federated Learning on Non-IID Data Silos:
|
||||
An Experimental Study. In 2022 IEEE 38th International Conference on Data Engineering (ICDE),
|
||||
pp. 965–978. IEEE.
|
||||
- Identifier: DOI 10.1109/ICDE53745.2022.00077; arXiv:2102.02079.
|
||||
- Verification source: OpenAlex bibliographic record (title, authors, year 2022, ICDE 2022 venue,
|
||||
pages 965–978, DOI).
|
||||
- Status: **verified** (published version; arXiv preprint is 2021).
|
||||
|
||||
## V07 — Agrawal et al. (2021)
|
||||
## V07 — Agrawal et al. (2022)
|
||||
|
||||
- Citation: Agrawal, S., Sarkar, S., Aouedi, O., Yenduri, G., Piamrat, K., Bhattacharya, S.,
|
||||
Maddikunta, P. K. R., & Gadekallu, T. R. (2021). Federated Learning for Intrusion Detection
|
||||
System: Concepts, Challenges and Future Directions.
|
||||
- Identifier: arXiv:2106.09527; DOI 10.48550/arXiv.2106.09527.
|
||||
- Verification source: arXiv abstract page (comment: "Submitted to JNCA, Elsevier").
|
||||
- Status: **partially verified** — work and authors confirmed; journal version unconfirmed.
|
||||
Maddikunta, P. K. R., & Gadekallu, T. R. (2022). Federated learning for intrusion detection
|
||||
system: Concepts, challenges and future directions. Computer Communications, 195, 346–361.
|
||||
- Identifier: DOI 10.1016/j.comcom.2022.09.012; arXiv:2106.09527.
|
||||
- Verification source: OpenAlex and Semantic Scholar bibliographic records (title, authors,
|
||||
Computer Communications, vol. 195, pp. 346–361, 2022, DOI).
|
||||
- Status: **verified** (published version; arXiv preprint is 2021).
|
||||
|
||||
## V08 — Ferrag et al. (2020)
|
||||
|
||||
@@ -148,14 +150,14 @@ bibliographic API.
|
||||
|
||||
| Status | Count | IDs |
|
||||
|---|---|---|
|
||||
| verified | 10 | V01, V02, V03, V05, V08, V09, V10, V11, V12, V13 |
|
||||
| partially verified | 3 | V04, V06, V07 |
|
||||
| requires metadata confirmation (individual fields) | — | Kairouz vol. discrepancy; McMahan AISTATS page range |
|
||||
| verified | 12 | V01, V02, V03, V05, V06, V07, V08, V09, V10, V11, V12, V13 |
|
||||
| partially verified / preprint only | 1 | V04 |
|
||||
| requires metadata confirmation (individual fields) | 0 | — |
|
||||
|
||||
## Actions before final proposal
|
||||
## Actions before final submission
|
||||
|
||||
1. Confirm venues for V04 (Zhao et al.) and V06 (Li et al. silos): preprint vs published.
|
||||
2. Confirm journal version of V07 (Agrawal et al.).
|
||||
3. Reconcile the Kairouz et al. volume discrepancy (arXiv comment "Vol 4" vs bibliographic vol. 14)
|
||||
and confirm the McMahan et al. AISTATS page range.
|
||||
4. Add 1–2 peer-reviewed IDS class-imbalance / rare-attack references (not yet in the repository).
|
||||
1. V04 (Zhao et al., 2018) remains an arXiv preprint; no peer-reviewed venue is asserted. It is
|
||||
flagged **[metadata perlu diverifikasi]** in the proposal bibliography.
|
||||
2. Optionally add 1–2 peer-reviewed IDS class-imbalance / rare-attack references; this remains an
|
||||
identified literature gap (see `LITERATURE_MATRIX.md`) and was not added during the editorial
|
||||
audit because no such source has been verified in the repository.
|
||||
@@ -1,17 +1,16 @@
|
||||
# JUDUL
|
||||
# Optimasi Agregasi Prototype pada PROTEAN melalui Pembobotan Berbasis Dukungan Sampel Kelas untuk Deteksi Serangan Langka pada Data Non-IID
|
||||
|
||||
**Penalaan Agregasi Prototype pada PROTEAN melalui Pembobotan Berbasis Dukungan Sampel Kelas
|
||||
untuk Deteksi Serangan Langka pada Data Non-IID**
|
||||
|
||||
*(Tuning Prototype Aggregation in PROTEAN through Class-Sample-Support Weighting for Rare Attack
|
||||
Detection under Non-IID Data Distributions)*
|
||||
*(Optimizing Prototype Aggregation in PROTEAN through Class-Sample-Support Weighting for Rare
|
||||
Attack Detection under Non-IID Data Distributions)*
|
||||
|
||||
Nama: Muhamad Wildan Rizky
|
||||
NIM: 20102520001
|
||||
|
||||
Dokumen ini adalah draf proposal tesis pada tahap awal. Fokus penelitian dipersempit pada satu
|
||||
mekanisme agregasi prototype di server PROTEAN. Draf ini belum memuat hasil akhir; bagian studi
|
||||
pendahuluan hanya digunakan sebatas menunjukkan kelayakan pelaksanaan.
|
||||
Dokumen ini adalah proposal tesis yang memfokuskan penelitian pada satu mekanisme agregasi
|
||||
prototype di server PROTEAN. Istilah "optimasi" pada judul berarti pemilihan nilai `β` terbaik di
|
||||
antara kandidat diskret yang telah ditentukan melalui validasi, bukan klaim optimum matematis
|
||||
global maupun nilai `β` yang berlaku universal. Dokumen ini belum memuat hasil akhir; bagian studi
|
||||
pendahuluan hanya menunjukkan kelayakan pelaksanaan.
|
||||
|
||||
---
|
||||
|
||||
@@ -20,7 +19,7 @@ pendahuluan hanya digunakan sebatas menunjukkan kelayakan pelaksanaan.
|
||||
## 1.1 Latar Belakang
|
||||
|
||||
Perkembangan jaringan terdistribusi, seperti jaringan IoT industri dan jaringan 5G, membuat volume
|
||||
lalu lintas yang harus diawasi oleh sistem deteksi intrusi (intrusion detection system, IDS) terus
|
||||
lalu lintas yang harus diawasi sistem deteksi intrusi (intrusion detection system, IDS) terus
|
||||
bertambah. Data lalu lintas tersebut umumnya tersebar pada banyak titik jaringan dan tidak selalu
|
||||
dapat dikumpulkan ke satu pusat. Pengumpulan data mentah secara terpusat menimbulkan beban
|
||||
komunikasi sekaligus masalah privasi, karena data merekam perilaku perangkat dan pengguna.
|
||||
@@ -30,15 +29,15 @@ mentah ke server. Setiap client melatih model pada datanya sendiri, lalu hanya p
|
||||
dikirim dan digabungkan oleh server (McMahan et al., 2017; Kairouz et al., 2021). Pola ini sesuai
|
||||
untuk IDS karena data serangan dapat tetap berada di lokasi masing-masing, sementara model global
|
||||
tetap dapat dibangun bersama. Pemanfaatan FL untuk IDS telah banyak ditinjau, antara lain karena
|
||||
karakter data keamanan yang tersebar dan sensitif (Agrawal et al., 2021; Ferrag et al., 2020).
|
||||
karakter data keamanan yang tersebar dan sensitif (Agrawal et al., 2022; Ferrag et al., 2020).
|
||||
|
||||
Tantangan utama FL pada IDS adalah data antarclient yang non-IID. Distribusi kelas pada setiap
|
||||
Tantangan utama FL pada IDS adalah data antarclient yang bersifat non-IID. Distribusi kelas pada setiap
|
||||
client tidak seragam, sehingga data yang dimiliki tiap client tidak identik dan tidak independen.
|
||||
Zhao et al. (2018) menunjukkan bahwa ketidakseragaman ini dapat menurunkan kinerja model global
|
||||
secara signifikan, dan kajian yang lebih luas menempatkan heterogenitas statistik sebagai salah satu
|
||||
persoalan terbuka utama pada FL (Zhu et al., 2021; Kairouz et al., 2021; Li et al., 2021). Pada
|
||||
persoalan terbuka utama pada FL (Zhu et al., 2021; Kairouz et al., 2021; Li et al., 2022). Pada
|
||||
konteks IDS, perbedaan ini muncul karena setiap client mengamati pola lalu lintas dan kebijakan
|
||||
keamanan yang berbeda (Agrawal et al., 2021).
|
||||
keamanan yang berbeda (Agrawal et al., 2022).
|
||||
|
||||
Ketidakseimbangan kelas memperkuat masalah tersebut. Kelas serangan langka hanya muncul pada
|
||||
sebagian kecil data, sehingga metrik yang merangkum seluruh kelas dapat terlihat baik meskipun model
|
||||
@@ -49,7 +48,7 @@ metrik per kelas seperti macro-F1 lebih tepat untuk menilai kinerja yang seimban
|
||||
berisiko, karena serangan yang jarang belum tentu tidak berbahaya.
|
||||
|
||||
Untuk menghadapi data non-IID, sebagian metode FL berbagi pengetahuan dalam bentuk prototype kelas,
|
||||
bukan hanya parameter model. Prototype kelas adalah representasi rata-rata embedding sampel pada
|
||||
tidak hanya parameter model. Prototype kelas adalah representasi rata-rata embedding sampel pada
|
||||
suatu kelas. FedProto menunjukkan bahwa pertukaran class prototype dapat meningkatkan ketahanan
|
||||
terhadap heterogenitas client (Tan et al., 2022), dan pendekatan prototipikal lain juga digunakan
|
||||
untuk memperbaiki pelatihan lokal pada data non-IID (Mu et al., 2023). PROTEAN (Chennoufi et al.,
|
||||
@@ -61,8 +60,8 @@ berpengaruh pada representasi kelas sekaligus pada keputusan deteksi.
|
||||
|
||||
Pada Persamaan (2) PROTEAN, kontribusi setiap local prototype terhadap global prototype bersifat
|
||||
sama, yaitu rata-rata sederhana. Padahal, local prototype kelas yang sama dapat dibentuk dari jumlah
|
||||
sampel yang sangat berbeda antarklien. Misalnya, satu client dapat memiliki ratusan sampel untuk
|
||||
suatu kelas, sementara client lain hanya memiliki beberapa sampel. Equal weighting memberi
|
||||
sampel yang sangat berbeda antarclient. Misalnya, satu client dapat memiliki ratusan sampel untuk
|
||||
suatu kelas, sementara client lain hanya memiliki beberapa sampel. Pembobotan seragam memberi
|
||||
kontribusi yang sama kepada kedua prototype tersebut, tanpa mempertimbangkan perbedaan dukungan
|
||||
sampel yang membentuknya. Kondisi ini menimbulkan pertanyaan apakah cara penggabungan tersebut sudah
|
||||
sesuai, terutama untuk kelas serangan langka.
|
||||
@@ -87,14 +86,14 @@ sekaligus.
|
||||
|
||||
Berdasarkan latar belakang tersebut, masalah yang diteliti dapat dirumuskan sebagai berikut.
|
||||
|
||||
1. Jumlah sampel kelas `N_ij` untuk kelas yang sama dapat berbeda cukup besar antarklien pada data
|
||||
1. Jumlah sampel kelas `N_ij` untuk kelas yang sama dapat berbeda cukup besar antarclient pada data
|
||||
non-IID.
|
||||
2. Agregasi prototype pada PROTEAN tidak secara eksplisit mengendalikan besar kontribusi setiap
|
||||
client berdasarkan dukungan sampel kelas tersebut.
|
||||
3. Pembobotan seragam memberi pengaruh yang sama kepada seluruh client, dan belum tentu sesuai
|
||||
ketika dukungan sampel antarclient sangat timpang.
|
||||
4. Pembobotan penuh yang sebanding dengan `N_ij` juga belum tentu sesuai, karena dukungan sampel
|
||||
besar tidak otomatis berarti prototype yang lebih mewakili kelas langka.
|
||||
4. Pembobotan yang sepenuhnya sebanding dengan `N_ij` juga belum tentu sesuai, karena dukungan
|
||||
sampel besar tidak otomatis berarti prototype yang lebih mewakili kelas langka.
|
||||
5. Hubungan antara kekuatan pembobotan, pergeseran global prototype, dan kinerja deteksi kelas
|
||||
langka belum dipahami dengan cukup baik.
|
||||
6. Kekuatan pembobotan yang sesuai diduga bergantung pada kondisi non-IID yang terealisasi, bukan
|
||||
@@ -139,7 +138,7 @@ dan kinerja deteksi kelas langka pada PROTEAN?
|
||||
kondisi non-IID yang berbeda?
|
||||
|
||||
**RQ3.** Apakah nilai `β` yang dipilih melalui validasi berubah pada tingkat ketimpangan yang
|
||||
berbeda, dan apa dampaknya terhadap kinerja keseluruhan serta hasil per klien?
|
||||
berbeda, dan apa dampaknya terhadap kinerja keseluruhan serta hasil per client?
|
||||
|
||||
## 1.5 Tujuan Penelitian
|
||||
|
||||
@@ -149,12 +148,13 @@ terhadap deteksi kelas langka pada data non-IID.
|
||||
|
||||
Tujuan khusus yang dijabarkan dari rumusan masalah adalah:
|
||||
|
||||
1. Menganalisis hubungan antara ketimpangan dukungan sampel kelas `N_ij`, pergeseran global
|
||||
prototype, dan kinerja deteksi kelas langka pada PROTEAN (menjawab RQ1).
|
||||
1. Menganalisis hubungan antara ketimpangan dukungan sampel kelas `N_ij`, perilaku prototype
|
||||
(perbedaan local prototype dan pergeseran global prototype), dan kinerja deteksi kelas langka
|
||||
pada PROTEAN (menjawab RQ1).
|
||||
2. Menganalisis pengaruh nilai `β` terhadap global prototype dan kinerja deteksi kelas langka pada
|
||||
beberapa kondisi non-IID (menjawab RQ2).
|
||||
3. Menentukan nilai `β` melalui validasi pada tingkat ketimpangan yang berbeda dan menganalisis
|
||||
dampaknya terhadap kinerja keseluruhan serta hasil per klien (menjawab RQ3).
|
||||
dampaknya terhadap kinerja keseluruhan serta hasil per client (menjawab RQ3).
|
||||
|
||||
## 1.6 Batasan Penelitian
|
||||
|
||||
@@ -193,7 +193,7 @@ Kontribusi yang ditargetkan pada penelitian ini adalah sebagai berikut.
|
||||
dan beberapa random seed, dengan partisi dan hyperparameter yang sama untuk setiap
|
||||
perbandingan.
|
||||
3. **Kontribusi analitis.** Analisis berantai yang menghubungkan ketimpangan dukungan sampel,
|
||||
bobot kontribusi, pergeseran prototype, kinerja kelas langka, dan dampak per klien.
|
||||
bobot kontribusi, pergeseran prototype, kinerja kelas langka, dan dampak per client.
|
||||
4. **Kontribusi praktis dan ilmiah.** Karakterisasi kondisi ketika pembobotan dukungan yang lebih
|
||||
kuat berpotensi membantu, berdampak kecil, atau merugikan kinerja kelas langka.
|
||||
|
||||
@@ -216,7 +216,7 @@ Pada IDS, data lalu lintas jaringan tersebar pada organisasi, perangkat, atau se
|
||||
berbeda. Setiap pemilik data mengamati pola serangan yang belum tentu sama, sehingga distribusi
|
||||
kelas antarclient cenderung heterogen. Tinjauan penerapan FL pada IDS menunjukkan bahwa pendekatan
|
||||
ini menarik karena tidak memindahkan data mentah, tetapi juga mencatat heterogenitas data dan
|
||||
keterbatasan komunikasi sebagai tantangan utama (Agrawal et al., 2021). Kajian lain menempatkan
|
||||
keterbatasan komunikasi sebagai tantangan utama (Agrawal et al., 2022). Kajian lain menempatkan
|
||||
deteksi intrusi sebagai salah satu domain keamanan siber yang memperoleh manfaat dari pembelajaran
|
||||
mendalam terdistribusi, sekaligus menghadapi persoalan distribusi data yang tidak seragam (Ferrag
|
||||
et al., 2020).
|
||||
@@ -228,7 +228,7 @@ Heterogenitas statistik atau non-IID berarti distribusi data antarclient tidak i
|
||||
dan penurunan ini berkaitan dengan perbedaan distribusi kelas antarclient. Kajian yang lebih luas
|
||||
mengelompokkan penanganan non-IID sebagai salah satu persoalan terbuka FL (Zhu et al., 2021; Kairouz
|
||||
et al., 2021), dan studi eksperimental pada data silo menegaskan bahwa tidak ada satu algoritma FL
|
||||
yang unggul pada semua bentuk non-IID (Li et al., 2021). FedProx merupakan contoh pendekatan yang
|
||||
yang unggul pada semua bentuk non-IID (Li et al., 2022). FedProx merupakan contoh pendekatan yang
|
||||
menambahkan suku proksimal untuk menstabilkan pelatihan pada data yang heterogen (Li et al., 2020).
|
||||
|
||||
Pada IDS, non-IID sering berhubungan dengan ketimpangan dukungan kelas. Sebagian client memiliki
|
||||
@@ -304,7 +304,7 @@ penelitian ini bersifat kondisional terhadap asumsi tersebut.
|
||||
Pembobotan prototype berdasarkan jumlah sampel kelas sudah dibahas pada penelitian sebelumnya.
|
||||
FedProto (Tan et al., 2022) merupakan contoh yang melibatkan jumlah sampel kelas pada pembelajaran
|
||||
federasi yang heterogen. Karena itu, penelitian ini tidak mengklaim kebaruan dari penggunaan `N_ij`
|
||||
maupun dari penambahan parameter pembobot. Klaim tersebut tidak akan dipertahankan.
|
||||
maupun dari penambahan parameter pembobot.
|
||||
|
||||
Yang masih terbuka dan menjadi fokus penelitian ini adalah perilaku pembobotan ketika diterapkan
|
||||
secara terkendali pada agregasi prototype PROTEAN:
|
||||
@@ -329,9 +329,9 @@ prototype di server dan menganalisis perilakunya pada beberapa kondisi non-IID.
|
||||
| Studi | Domain | Berbasis prototype | Pembobotan dukungan sampel | IDS non-IID | Analisis kelas langka | Perbedaan dengan penelitian ini |
|
||||
|---|---|---|---|---|---|---|
|
||||
| Tan et al. (2022), FedProto | FL heterogen (klasifikasi umum) | Ya | Ya (jumlah sampel kelas) | Tidak | Tidak difokuskan | Tidak meneliti agregasi prototype PROTEAN maupun deteksi serangan langka |
|
||||
| Mu et al. (2023), FedProc | FL non-IID (klasifikasi gambar) | Ya | Tidak difokuskan | Tidak | Tidak difokuskan | Menggunakan loss kontrastif prototipikal, bukan penalaan bobot dukungan pada agregasi server |
|
||||
| Chennoufi et al. (2025), PROTEAN | Federated IDS non-IID | Ya | Tidak (rata-rata sederhana pada Persamaan (2)) | Ya | Membahas kelas serangan dengan sampel paling sedikit | Tidak menala kekuatan pembobotan dukungan pada agregasi prototype |
|
||||
| Penelitian ini | Federated IDS non-IID | Ya | Ya (`β` terkendali, tervalidasi) | Ya | Ya, per kelas dan per client | Menala `β` pada agregasi prototype PROTEAN dan menganalisis efeknya pada kondisi non-IID berbeda |
|
||||
| Mu et al. (2023), FedProc | FL non-IID (klasifikasi gambar) | Ya | Tidak difokuskan | Tidak | Tidak difokuskan | Menggunakan loss kontrastif prototipikal, bukan penyetelan bobot dukungan pada agregasi server |
|
||||
| Chennoufi et al. (2025), PROTEAN | Federated IDS non-IID | Ya | Tidak (rata-rata sederhana pada Persamaan (2)) | Ya | Membahas kelas serangan dengan sampel paling sedikit | Tidak menyetel kekuatan pembobotan dukungan pada agregasi prototype |
|
||||
| Penelitian ini | Federated IDS non-IID | Ya | Ya (`β` terkendali, tervalidasi) | Ya | Ya, per kelas dan per client | Menyetel `β` pada agregasi prototype PROTEAN dan menganalisis efeknya pada kondisi non-IID berbeda |
|
||||
|
||||
Tabel ini membandingkan fokus penelitian, bukan memberi peringkat. Semua studi yang dicantumkan
|
||||
memiliki tujuan dan konteks yang berbeda.
|
||||
@@ -363,8 +363,8 @@ Penelitian akan menggunakan dua dataset IDS yang berbeda karakteristiknya.
|
||||
8 kelas serangan).
|
||||
|
||||
Kedua dataset memiliki label benign dan sejumlah kelas serangan, sehingga sesuai untuk evaluasi
|
||||
kelas langka. Rincian karakteristik dan anomali tiap dataset dicatat pada dokumen inspeksi dataset
|
||||
di repositori.
|
||||
kelas langka. Perbedaan karakteristik keduanya memberi variasi domain yang lebih luas bagi pengujian
|
||||
mekanisme yang diusulkan.
|
||||
|
||||
## 3.3 Preprocessing dan Data Split
|
||||
|
||||
@@ -387,7 +387,7 @@ eksperimen, sehingga perbandingan tetap berpasangan.
|
||||
|
||||
Kondisi non-IID akan dibentuk dengan distribusi Dirichlet simetris pada data training, dengan nilai
|
||||
`α` sebesar 0,75; 0,50; dan 0,25. Semakin kecil nilai `α`, semakin tidak merata sebaran kelas
|
||||
antarklien. Prosedur alokasi akan dijalankan secara deterministik dari data training, dan sebagian
|
||||
antarclient. Prosedur alokasi akan dijalankan secara deterministik dari data training, dan sebagian
|
||||
client dapat menerima nol sampel untuk suatu kelas; kelas seperti itu menjadi kelas yang tidak
|
||||
tersedia pada client tersebut.
|
||||
|
||||
@@ -448,7 +448,7 @@ dengan local prototype dan `N_ij` yang tetap, tanpa pelatihan ulang. Efek pelati
|
||||
diukur melalui pelatihan federasi penuh. Kedua jenis efek ini akan dianalisis secara terpisah agar
|
||||
pergeseran prototype tidak disamakan dengan perubahan kinerja deteksi.
|
||||
|
||||
## 3.7 Definisi Rare Class dan Unseen Class
|
||||
## 3.7 Definisi Kelas Langka dan Unseen Class
|
||||
|
||||
Kelas langka akan ditentukan dari data training setiap client, sebelum pemilihan `β`, untuk
|
||||
menghindari kebocoran informasi dari data validasi atau pengujian.
|
||||
@@ -462,11 +462,11 @@ Untuk setiap client:
|
||||
- kelas benign tidak pernah dianggap kelas langka.
|
||||
|
||||
Kelas serangan dengan `N_ij = 0` pada client didefinisikan sebagai **unseen class** dan dievaluasi
|
||||
secara terpisah. Kelas langka dan kelas unseen tidak akan pernah digabungkan dalam satu metrik,
|
||||
secara terpisah. Kelas langka dan unseen class tidak akan pernah digabungkan dalam satu metrik,
|
||||
karena keduanya mengukur hal yang berbeda: kelas langka diuji pada client yang memiliki sedikit
|
||||
sampel, sedangkan kelas unseen diuji pada client yang tidak memiliki sampel sama sekali.
|
||||
sampel, sedangkan unseen class diuji pada client yang tidak memiliki sampel sama sekali.
|
||||
|
||||
## 3.8 Protokol Pemilihan Beta
|
||||
## 3.8 Protokol Pemilihan `β`
|
||||
|
||||
Pemilihan `β` akan dilakukan dengan aturan berikut.
|
||||
|
||||
@@ -504,7 +504,7 @@ parameter alignment, dan parameter `λ` sebesar 1,0 pada prototype alignment.
|
||||
## 3.10 Metrik Evaluasi
|
||||
|
||||
Metrik utama penelitian ini adalah **rare-class macro-F1 per client**, dihitung pada client yang
|
||||
memiliki kelas langka, lalu dirata-ratakan antarklien dan antarseed. Metrik ini dipilih karena
|
||||
memiliki kelas langka, lalu dirata-ratakan antarclient dan antarseed. Metrik ini dipilih karena
|
||||
memberi gambaran kinerja pada kelas serangan yang jarang dan tidak tersembunyi oleh kelas yang
|
||||
dominan (Sokolova & Lapalme, 2009).
|
||||
|
||||
@@ -513,7 +513,7 @@ Metrik pendukung yang akan dilaporkan meliputi:
|
||||
- recall kelas langka;
|
||||
- macro-F1 keseluruhan;
|
||||
- weighted-F1 dan akurasi, sebagai perbandingan dengan pengaturan paper;
|
||||
- hasil per klien;
|
||||
- hasil per client;
|
||||
- pergeseran prototype `||Cbar_j(β) − Cbar_j(0)||` untuk analisis efek agregasi langsung;
|
||||
- statistik ketimpangan yang terealisasi, seperti koefisien variasi `N_ij` dan jumlah sel kelas
|
||||
yang tidak tersedia pada client.
|
||||
@@ -530,7 +530,7 @@ Analisis hasil direncanakan mencakup:
|
||||
- perbandingan deskriptif antara `β` terpilih dan baseline original PROTEAN;
|
||||
- karakterisasi ketimpangan yang terealisasi;
|
||||
- pergeseran prototype dan kaitannya dengan ketimpangan dukungan;
|
||||
- perilaku per klien, yaitu jumlah client yang membaik, memburuk, atau tidak berubah;
|
||||
- perilaku per client, yaitu jumlah client yang membaik, memburuk, atau tidak berubah;
|
||||
- perbandingan lintas `α` pada satu dataset;
|
||||
- perbandingan lintas dataset pada tingkat `α` yang sama.
|
||||
|
||||
@@ -538,7 +538,7 @@ Dengan hanya tiga random seed per kondisi, penelitian ini tidak akan menjanjikan
|
||||
signifikansi statistik. Analisis akan ditekankan pada nilai rata-rata, variasi antarseed, dan pola
|
||||
yang dapat ditelusuri dari artefak yang tersimpan.
|
||||
|
||||
## 3.12 Validitas dan Reproducibility
|
||||
## 3.12 Validitas dan Reproduktibilitas
|
||||
|
||||
Aspek yang dijaga untuk mendukung validitas dan reproduktibilitas:
|
||||
|
||||
@@ -548,7 +548,7 @@ Aspek yang dijaga untuk mendukung validitas dan reproduktibilitas:
|
||||
kembali tanpa regenerasi.
|
||||
3. **Pemisahan validasi dan pengujian.** Data validasi digunakan untuk memilih `β`; data pengujian
|
||||
hanya digunakan setelah `β` ditetapkan.
|
||||
4. **Data mentah tidak berubah.** Dataset mentah berada di luar repositori dan hanya dibaca.
|
||||
4. **Data mentah tidak berubah.** Dataset mentah disimpan di lokasi eksternal dan hanya dibaca.
|
||||
Hash-nya dicatat untuk verifikasi integritas.
|
||||
5. **Sumber beku.** Arsitektur, agregasi model, fungsi loss, dan aturan inferensi tidak diubah
|
||||
selama eksperimen.
|
||||
@@ -564,8 +564,8 @@ Aspek yang dijaga untuk mendukung validitas dan reproduktibilitas:
|
||||
|
||||
# STUDI PENDAHULUAN
|
||||
|
||||
Bagian ini bersifat opsional dan hanya digunakan untuk menunjukkan kelayakan pelaksanaan. Isinya
|
||||
tidak dimaksudkan sebagai laporan hasil akhir.
|
||||
Bagian ini digunakan hanya untuk menunjukkan kelayakan pelaksanaan dan bukan sebagai laporan hasil
|
||||
akhir.
|
||||
|
||||
Sebuah uji awal pada skala terbatas telah dilakukan untuk memastikan bahwa pipeline pelatihan,
|
||||
pembentukan partisi non-IID, dan agregasi prototype dapat dijalankan. Dari uji tersebut diperoleh
|
||||
@@ -587,50 +587,12 @@ langka.
|
||||
|
||||
---
|
||||
|
||||
# CATATAN PERBAIKAN BERDASARKAN UMPAN BALIK AKADEMIK
|
||||
|
||||
Bagian ini bersifat internal untuk keperluan review dan tidak harus disertakan pada dokumen resmi.
|
||||
|
||||
**Arah penelitian sebelumnya.** Rancangan awal mencakup lingkup yang lebih luas, yaitu studi
|
||||
preservasi kelas langka dengan beberapa mekanisme sekaligus, termasuk Differential Privacy dan
|
||||
beberapa keluarga intervensi. Pada rancangan tersebut, banyak komponen berubah bersamaan sehingga
|
||||
sulit menisbahkan perubahan kinerja kepada satu mekanisme tertentu. Kontribusi berisiko menjadi
|
||||
perbandingan besar, bukan kajian metodologis yang fokus.
|
||||
|
||||
**Arah penelitian saat ini.** Lingkup dipersempit menjadi satu metode (PROTEAN), satu komponen
|
||||
(agregasi prototype di server), satu isu (local prototype dengan dukungan sampel yang berbeda dapat
|
||||
berkontribusi sama), dan satu mekanisme yang dapat disetel (`β`). Analisis diarahkan pada rantai:
|
||||
ketimpangan dukungan → bobot kontribusi → pergeseran global prototype → deteksi kelas langka →
|
||||
dampak per klien.
|
||||
|
||||
**Alasan metodologis.** Dengan memodifikasi satu komponen dan mempertahankan sisanya tetap, efek
|
||||
pembobotan dapat diinterpretasikan lebih jelas. Evaluasi berpasangan pada beberapa kondisi non-IID
|
||||
memungkinkan pembahasan kapan pembobotan membantu, berdampak kecil, atau merugikan, tanpa harus
|
||||
mengklaim keunggulan umum. Penambahan validasi untuk memilih `β` juga memisahkan proses pemilihan
|
||||
dari data pengujian.
|
||||
|
||||
**Perubahan judul.** Judul disesuaikan menjadi "Penalaan Agregasi Prototype pada PROTEAN melalui
|
||||
Pembobotan Berbasis Dukungan Sampel Kelas untuk Deteksi Serangan Langka pada Data Non-IID". Kata
|
||||
"penalaan" dipilih karena penelitian ini mencari kandidat `β` terbaik di antara nilai diskret yang
|
||||
diuji pada validasi, bukan optimum matematis global. Penggunaan kata "optimasi" pada judul awal
|
||||
berpotensi menyiratkan klaim optimum global, sehingga dihindari pada draf kerja ini. Judul dapat
|
||||
dikembalikan ke "optimasi" hanya jika ada alasan akademik yang kuat dan disertai penjelasan batas
|
||||
klaim.
|
||||
|
||||
**Pembaruan tinjauan pustaka.** Bab II diperkuat dengan rujukan terverifikasi pada kategori
|
||||
Federated Learning, FL untuk IDS, non-IID, ketidakseimbangan kelas, pembelajaran berbasis prototype,
|
||||
PROTEAN, pembobotan berbasis dukungan sampel, dan metrik evaluasi per kelas. Rincian peran setiap
|
||||
rujukan dicatat pada `docs/proposal/LITERATURE_MATRIX.md` dan
|
||||
`docs/proposal/REFERENCES_VERIFIED.md`.
|
||||
|
||||
---
|
||||
|
||||
# DAFTAR PUSTAKA
|
||||
|
||||
Agrawal, S., Sarkar, S., Aouedi, O., Yenduri, G., Piamrat, K., Bhattacharya, S., Maddikunta, P. K.
|
||||
R., & Gadekallu, T. R. (2021). Federated Learning for Intrusion Detection System: Concepts,
|
||||
Challenges and Future Directions. arXiv:2106.09527. [status publikasi jurnal perlu diverifikasi;
|
||||
versi arXiv menyatakan "submitted to JNCA"].
|
||||
R., & Gadekallu, T. R. (2022). Federated learning for intrusion detection system: Concepts,
|
||||
challenges and future directions. *Computer Communications*, 195, 346–361.
|
||||
DOI: 10.1016/j.comcom.2022.09.012. arXiv:2106.09527.
|
||||
|
||||
Chennoufi, S., Han, Y., Blanc, G., De Cristofaro, E., & Kiennert, C. (2025). PROTEAN: Federated
|
||||
Intrusion Detection in Non-IID Environments through Prototype-Based Knowledge Sharing. In
|
||||
@@ -646,11 +608,11 @@ Johnson, J. M., & Khoshgoftaar, T. M. (2019). Survey on deep learning with class
|
||||
|
||||
Kairouz, P., McMahan, H. B., Avent, B., Bellet, A., Bennis, M., Bhagoji, A. N., et al. (2021).
|
||||
Advances and Open Problems in Federated Learning. *Foundations and Trends in Machine Learning*,
|
||||
14(1–2), 1–210. DOI: 10.1561/2200000083. arXiv:1912.04977. [catatan: laman arXiv menyebut "Vol 4";
|
||||
volume 14 mengikuti catatan bibliografis penerbit dan perlu dikonfirmasi].
|
||||
14(1–2), 1–210. DOI: 10.1561/2200000083. arXiv:1912.04977.
|
||||
|
||||
Li, Q., Diao, Y., Chen, Q., & He, B. (2021). Federated Learning on Non-IID Data Silos: An
|
||||
Experimental Study. arXiv:2102.02079. [status publikasi venue perlu diverifikasi].
|
||||
Li, Q., Diao, Y., Chen, Q., & He, B. (2022). Federated Learning on Non-IID Data Silos: An
|
||||
Experimental Study. In *2022 IEEE 38th International Conference on Data Engineering (ICDE)*
|
||||
(pp. 965–978). IEEE. DOI: 10.1109/ICDE53745.2022.00077. arXiv:2102.02079.
|
||||
|
||||
Li, T., Sahu, A. K., Zaheer, M., Sanjabi, M., Talwalkar, A., & Smith, V. (2020). Federated
|
||||
Optimization in Heterogeneous Networks. In *Proceedings of Machine Learning and Systems (MLSys
|
||||
@@ -674,12 +636,12 @@ Prototype Learning across Heterogeneous Clients. In *Proceedings of the AAAI Con
|
||||
Artificial Intelligence*, 36(8), 8432–8440. DOI: 10.1609/aaai.v36i8.20819. arXiv:2105.00243.
|
||||
|
||||
Zhao, Y., Li, M., Lai, L., Suda, N., Civin, D., & Chandra, V. (2018). Federated Learning with
|
||||
Non-IID Data. arXiv:1806.00582. [preprint; status publikasi venue perlu diverifikasi].
|
||||
Non-IID Data. arXiv:1806.00582. [metadata perlu diverifikasi: praprint; venue peer-review belum
|
||||
terkonfirmasi].
|
||||
|
||||
Zhu, H., Xu, J., Liu, S., & Jin, Y. (2021). Federated learning on non-IID data: A survey.
|
||||
*Neurocomputing*, 465, 371–390. DOI: 10.1016/j.neucom.2021.07.098. arXiv:2106.06843.
|
||||
|
||||
**Catatan.** Rujukan yang ditandai "[... perlu diverifikasi]" sudah teridentifikasi dari sumber
|
||||
primer (arXiv) tetapi metadata venue/volume/halaman belum dikonfirmasi sepenuhnya. Penandaan ini
|
||||
harus diselesaikan sebelum proposal final. Daftar lengkap status verifikasi setiap rujukan ada di
|
||||
`docs/proposal/REFERENCES_VERIFIED.md`.
|
||||
**Catatan.** Satu rujukan, yaitu Zhao et al. (2018), masih ditandai **[metadata perlu
|
||||
diverifikasi]** karena belum memiliki venue peer-review yang terkonfirmasi. Rujukan lainnya telah
|
||||
diverifikasi judul, penulis, tahun, dan venue-nya dari catatan bibliografis primer.
|
||||
Reference in new issue
Block a user