评估联邦学习中生成对抗网络的抗 Byzantine 鲁棒性
统计方法学
2025-03-28 v1
摘要
联邦学习( FL) 使跨分布式客户端的模型训练成为可能，而无需共享原始数据，但其鲁棒性受到 Byzantine 行为的威胁，包括数据和模型投毒。现有防御措施面临根本性限制：鲁棒聚合规则会随着客户端异构性增大而产生误差下界，而检测-based 方法常常依赖启发式方法(例如固定的恶意客户端数量)或需要可信的外部数据集进行验证。我们提出了一种防御框架，通过在服务器端引入条件生成对抗网络(cGAN)来合成代表性数据，用于验证客户端更新。该方法消除了对外部数据集的依赖，能够适应多样化的攻击策略，并可无缝集成到标准的 FL 工作流程中。大量实验表明，我们的框架能够准确区分恶意客户端和良性客户端，同时保持整体模型的准确性。除了 Byzantine 鲁棒性，我们还检查了合成数据的代表性、cGAN 训练的计算成本以及方法的透明性和可扩展性。
引用
@article{arxiv.2503.20882,
title = {Assessing Bias and Precision in State Policy Evaluations: A Comparative Analysis of Time-Varying Estimators Using Policy Simulations},
author = {Max Griswold and Beth Ann Griffin and Max Rubinstein and Mincen Liu and Megan Schuler and Elizabeth Stone and Pedro Nascimento de Lima and Bradley D. Stein and Elizabeth A. Stuart},
journal= {arXiv preprint arXiv:2503.20882},
year = {2025}
}