Bant：通过试探函数和信任分数实现对抗性攻击抗性
机器学习
2025-12-05 v5 最优化与控制
摘要
近期机器学习进展在提升性能的同时也增加了计算需求。虽然联邦和分布式设置解决了这些问题，但其结构仍然 vulnerable to malicious influences。本文针对一种特定威胁：Byzantine 攻击，即被破坏的客户端注入对抗性更新以破坏全局收敛。我们将信任分数与试探方法结合，用于动态过滤异常值。我们的方法解决了前一种方法的关键局限性，使即使 Byzantine 节点为多数也能正常运行。此外，我们的算法适应广泛使用的 scaled 方法，如 Adam 和 RMSProp，也适用于实际场景，包括本地训练和部分参与。我们通过在公共数据集和来自医疗机构收集的私人 ECG 数据上进行大量实验来验证我们方法的 robust 性。此外，我们对算法及其扩展进行了广泛的理论分析。我们的方法收敛保证与在 Byzantine 干扰下开发的经典算法相当。
引用
@article{arxiv.2505.07614,
title = {Bant: Byzantine Antidote via Trial Function and Trust Scores},
author = {Gleb Molodtsov and Daniil Medyakov and Sergey Skorik and Nikolas Khachaturov and Shahane Tigranyan and Vladimir Aletov and Aram Avetisyan and Martin Takáč and Aleksandr Beznosikov},
journal= {arXiv preprint arXiv:2505.07614},
year = {2025}
}