基于敏感度曲线最大化的鲁棒分布式学习方案攻击
机器学习
2023-10-27 v1 密码学与安全
信号处理
摘要
联邦学习或去中心化学习等分布式学习范式允许一组智能体通过有限的局部交互来求解全局学习与优化问题。此类策略大多依赖于局部自适应与聚合步骤的组合，聚合可以在对等节点之间进行，也可以在中心融合中心进行。传统上，分布式学习中的聚合基于求平均，这在统计上是高效的，但极易受到即使少数恶意智能体的攻击。这一观察促使了近期的一系列工作，它们通过采用均值的鲁棒变体来开发鲁棒聚合方案。我们提出了一种基于敏感度曲线最大化（SCM）的新攻击方法，并证明该方法能够通过注入微小但有效的扰动来破坏现有的鲁棒聚合方案。
引用
@article{arxiv.2304.14024,
title = {Attacks on Robust Distributed Learning Schemes via Sensitivity Curve Maximization},
author = {Christian A. Schroth and Stefan Vlaski and Abdelhak M. Zoubir},
journal= {arXiv preprint arXiv:2304.14024},
year = {2023}
}