非 IID 场景下去中心化横向与纵向联邦学习架构的鲁棒性分析
机器学习
2022-10-21 v1
摘要
联邦学习（FL）使参与者能够在保护数据隐私的同时协作训练机器学习与深度学习模型。然而，FL 范式仍存在影响其可信性的缺陷，因为恶意参与者可能对训练过程发起对抗攻击。已有研究考察了不同攻击下横向 FL 场景的鲁棒性。但缺乏评估去中心化纵向 FL 鲁棒性并将其与受对抗攻击影响的横向 FL 架构进行比较的工作。因此，本文提出三种去中心化 FL 架构：一种用于横向场景，两种用于纵向场景，即 HoriChain、VertiChain 与 VertiComb。这些架构具有适用于横向与纵向场景的不同神经网络与训练协议。随后，部署了一个使用非 IID 数据分类手写数字的去中心化、隐私保护且联邦化的用例，以评估三种架构的性能。最后，一组实验计算并比较了当所提架构受基于图像水印的数据投毒与梯度投毒对抗攻击影响时的鲁棒性。实验表明，尽管两类攻击的特定配置均可摧毁架构的分类性能，HoriChain 是鲁棒性最强者。
引用
@article{arxiv.2210.11061,
title = {Analyzing the Robustness of Decentralized Horizontal and Vertical Federated Learning Architectures in a Non-IID Scenario},
author = {Pedro Miguel Sánchez Sánchez and Alberto Huertas Celdrán and Enrique Tomás Martínez Beltrán and Daniel Demeter and Gérôme Bovet and Gregorio Martínez Pérez and Burkhard Stiller},
journal= {arXiv preprint arXiv:2210.11061},
year = {2022}
}