AdaBFL：面向拜占庭鲁棒联邦学习的多层防御自适应聚合
机器学习
2026-05-01 v1 人工智能
密码学与安全
摘要
联邦学习 (FL) 是机器学习中一种流行的分布式学习范式，它使多个客户端能够在服务器的指导下协作训练模型，而无需暴露私有客户端数据。然而，FL 的去中心化特性使其容易受到投毒攻击，恶意客户端可以提交损坏的模型来操纵系统。为了应对此类攻击，尽管已经提出了各种拜占庭鲁棒方法，但这些方法难以提供针对多种攻击类型的平衡防御，或者依赖于服务器拥有数据集。因此，为了解决这些缺点，我们提出了一种有效的多层防御自适应聚合方法，用于拜占庭鲁棒联邦学习 (AdaBFL)，该方法基于一种新颖的三层防御机制，可以自适应地调整防御算法的权重以应对复杂攻击。此外，我们在非独立同分布数据的非凸设置下提供了 AdaBFL 方法的收敛性质。跨多个数据集的综合实验验证了我们的 AdaBFL 相对于可比算法的优越性。
引用
@article{arxiv.2604.27434,
title = {AdaBFL: Multi-Layer Defensive Adaptive Aggregation for Bzantine-Robust Federated Learning},
author = {Zehui Tang and Yuchen Liu and Feihu Huang},
journal= {arXiv preprint arXiv:2604.27434},
year = {2026}
}
备注
24 pages