ARMOR：面向移动室内定位的持续型联邦学习中针对模型投毒攻击的自适应韧性
机器学习
2026-03-23 v1 人工智能
摘要
室内定位日益成为从资产跟踪到提供个性化服务等应用的关键需求。联邦学习(FL)通过在不共享原始数据的前提下从移动设备上的分布数据训练中心全局模型(GM)，提供了一种隐私保护的方法。然而，现实部署需要持续联邦学习(CFL)环境，即GM接收设备异构性和室内环境演变的持续更新。在此类动态条件下，错误或偏差更新可能导致GM偏离其预期学习轨迹，逐渐损害GM内部表示和定位性能。这种脆弱性因对抗性模型投毒攻击而进一步加剧。为此，本文提出ARMOR框架，监控并保护GM在持续更新期间的状态。ARMOR引入新型状态空间模型(SSM)，学习GM权重张量的历史演化并预测其下一个预期状态。通过将 incoming 本地更新与该SSM投影进行比较，ARMOR检测偏差并在本地更新与GM聚合之前选择性地缓解受污染的更新。该机制使GM能够适应temporal环境动态，缓解模型投毒攻击的影响，同时防止GM被损坏。实验在真实条件下表明，ARMOR相较于最先进的室内定位框架实现了显著改进，平均误差降低最多8.0倍，最差情况误差降低4.97倍，证明了针对真实数据和移动设备的模型腐化抗性。
引用
@article{arxiv.2603.19594,
title = {ARMOR: Adaptive Resilience Against Model Poisoning Attacks in Continual Federated Learning for Mobile Indoor Localization},
author = {Danish Gufran and Akhil Singampalli and Sudeep Pasricha},
journal= {arXiv preprint arXiv:2603.19594},
year = {2026}
}