基于对抗更新的联邦学习无教育以恢复受毒化模型
机器学习
2026-05-05 v1 密码学与安全
摘要
联邦学习（FL）易受到毒化攻击，攻击者上传操纵的更新以降低全局模型性能。虽然检测方法可以识别并删除恶意客户端，但模型仍受影响。从头重新训练有效但成本高昂，现有的无教育方法在有效性和效率方面都不令人满意。我们提出了 Federated Adversarial Unlearning（FAUN），一种轻量级框架，仅保留一段短暂的恶意客户端更新窗口，并通过对代理数据集的对抗优化来推导出消除恶意方向的更新。经过少数无教育轮次后，跟随良性微调，即可快速移除恶意影响并实现稳定恢复。在三个标准数据集上的实验表明，FAUN 在恢复方面相当于重新训练，但所需轮次远少于重新训练，并将攻击成功率降至接近零，确认 FAUN 成功消除了无教育客户端的贡献。
引用
@article{arxiv.2605.02110,
title = {Adversarial Update-Based Federated Unlearning for Poisoned Model Recovery},
author = {Wenwei Zhao and Xiaowen Li and Yao Liu and Zhuo Lu},
journal= {arXiv preprint arXiv:2605.02110},
year = {2026}
}