BDPFL：基于可解释蒸馏的个性化联邦学习后门防御
密码学与安全
2025-06-03 v2
摘要
联邦学习是一种分布式学习范式，能够在保护本地数据集隐私的同时，支持跨多个客户端协同训练全局模型。为了解决数据异质性相关的固有挑战并满足个性化需求，联邦学习内的一个新方向，即个性化联邦学习（pFL），逐渐发展起来。大量关注被投入到开发新的框架和方法以提升 pFL 的性能。遗憾的是，pFL 的安全性在很大程度上被忽视了。我们的目标是填补这一空白。与联邦学习类似，pFL 也容易受到后门攻击。然而，现有的后门防御策略主要针对通用联邦学习框架定制，pFL 缺乏对后门攻击的鲁棒性。我们提出了一种名为 BDPFL 的、具有后门鲁棒性的新型 pFL 框架来应对这些挑战。首先，BDPFL 引入了逐层互蒸馏，使客户端能够在学习其个性化本地模型的同时缓解潜在的后门。然后，BDPFL 采用解释性热图来学习高质量的中间表示，并增强消除更深、更根深蒂固的后门的效果。此外，我们在三个数据集上对 BDPFL 的性能进行了实证评估，并将 BDPFL 与四种后门防御方法进行了比较。实验表明，BDPFL 优于基线方法，且在各种设置下均有效。
引用
@article{arxiv.2503.06554,
title = {BDPFL: Backdoor Defense for Personalized Federated Learning via Explainable Distillation},
author = {Chengcheng Zhu and Jiale Zhang and Di Wu and Guodong Long},
journal= {arXiv preprint arXiv:2503.06554},
year = {2025}
}
备注
The author has changed and there are disagreements on the content of the article, which needs to be discussed again