基于信任感知深度 Q 网络的自适应联邦学习防御
机器学习
2025-10-03 v1 密码学与安全
摘要
在部分可见性下，联邦学习易受到投毒和后门攻击。本文将防御建模为部分可观测序列决策问题，引入信任感知深度 Q 网络（Trust-Aware Deep Q-Network），将多信号证据整合到客户信任更新中，同时优化长期鲁棒性-准确性目标。在 CIFAR-10 数据集上，我们（i）建立基准，显示准确率稳步提升；（ii）通过 Dirichlet 分布扫描显示，客户重叠度的增加持续改善准确率并降低 ASR，同时检测稳定；（iii）在信号预算研究中显示，准确率保持稳定，ASR 上升，ROC-AUC 下降，这表明顺序信念更新可减轻弱信号的影响。最后，与随机、线性-Q 和策略梯度控制器比较确认，DQN 在鲁棒性-准确性权衡方面取得最佳成绩。
引用
@article{arxiv.2510.01261,
title = {Adaptive Federated Learning Defences via Trust-Aware Deep Q-Networks},
author = {Vedant Palit},
journal= {arXiv preprint arXiv:2510.01261},
year = {2025}
}
备注
16 pages, 10 figures