Kerangka Pembelajaran Imitasi Penguatan Terfederasi yang Menjaga Privasi dengan Agregasi yang Kuat untuk Robot Domestik Berbasis Cloud

ABSTRAK
Evolusi layanan web berbasis cloud untuk kontrol dan pelacakan perangkat robotik telah mengubah bidang robotika secara signifikan. Perangkat robotik domestik yang melakukan aktivitas rumah tangga menjadi semakin populer, karena perangkat tersebut mengumpulkan data dalam jumlah besar, mengirimkannya ke cloud, dan memanfaatkan layanan web untuk pembelajaran kolaboratif. Perangkat ini saling terhubung dan belajar dari rekan-rekannya melalui cloud. Namun, lingkungan pembelajaran yang terdistribusi dan saling terhubung ini menimbulkan kerentanan serius terhadap serangan keracunan model, di mana peserta jahat dapat dengan sengaja merusak proses pembelajaran. Serangan ini merupakan akibat langsung dari perilaku Bizantium, di mana peserta tertentu bertindak sewenang-wenang atau berlawanan, yang merusak integritas model global. Serangan ini menimbulkan ancaman kritis terhadap keandalan, keamanan, dan privasi sistem robotik yang beroperasi di lingkungan dunia nyata. Untuk mempercepat pembelajaran, rekan-rekan yang terhubung melalui layanan berbasis cloud menyumbangkan data dan pembaruan, tetapi kolaborasi ini pasti mengarah pada terungkapnya informasi sensitif, yang selanjutnya meningkatkan masalah privasi. Untuk mengatasi masalah yang mendesak ini, kami mengusulkan kerangka kerja baru yang disebut Federated Reinforcement Imitation Learning (FRIL). Kerangka kerja tersebut melibatkan desain arsitektur FRIL, analisis mendalam terhadap ancaman dalam lingkungan terdistribusi, dan pengembangan algoritma tangguh yang secara khusus dirancang untuk bertahan terhadap serangan keracunan model. Hasil eksperimen menunjukkan akurasi pembelajaran yang tinggi sebesar 88 persen menggunakan set data Edge IIoT. Sifat kolaboratif, terdesentralisasi, dan menjaga privasi dari kerangka kerja yang diusulkan, dikombinasikan dengan pembelajaran imitasi, membuatnya sangat tangguh terhadap gangguan yang merugikan, memastikan stabilitas dan integritas proses Pembelajaran Terfederasi dalam lingkungan robotik domestik. Pekerjaan ini secara langsung menargetkan ancaman serangan keracunan model yang terus meningkat dan memberikan solusi konkret untuk mengamankan pembelajaran kolaboratif dalam sistem robotik cerdas.