抗敌手分布式与去中心化统计推断及机器学习：拜占庭威胁模型下近期进展综述
机器学习
2020-06-03 v3 密码学与安全
分布式、并行与集群计算
机器学习
信号处理
摘要
尽管过去几十年见证了大量致力于分布式和去中心化设置下推断与学习的工作，但这些工作大多假设一个非对抗性环境，其中各个节点——除了偶尔的统计故障——均在算法框架内按预期运行。然而，近年来来自恶意非国家行为体和流氓实体的网络安全威胁，迫使从业者和研究人员重新思考分布式和去中心化算法对抗对抗性攻击的鲁棒性。因此，我们现在拥有大量在不同对抗威胁模型下保证分布式和/或去中心化推断与学习鲁棒性的算法方法。不过，部分由于世界对数据驱动决策日益增长的需求，保障用于推断和学习的分布式/去中心化框架免受对抗威胁，仍然是一个快速发展的研究领域。在本文中，我们综述了在拜占庭攻击威胁模型下该领域的一些最新进展。
引用
@article{arxiv.1908.08649,
title = {Adversary-resilient Distributed and Decentralized Statistical Inference and Machine Learning: An Overview of Recent Advances Under the Byzantine Threat Model},
author = {Zhixiong Yang and Arpita Gang and Waheed U. Bajwa},
journal= {arXiv preprint arXiv:1908.08649},
year = {2020}
}
备注
24 pages, 6 figures, 2 tables; Published in IEEE Signal Processing Magazine, May 2020 (Special Issue on "Machine Learning From Distributed, Streaming Data")