超越被动聚合：去中心化联邦学习中的主动审计与拓扑感知防御
机器学习
2026-03-20 v1 统计方法学
摘要
去中心化联邦学习（DFL）仍然极易受到旨在绕过传统被动防御指标的自适应后门攻击。为应对这一局限，我们将防御范式转向一种新颖的主动干预式审计框架。首先，我们建立一个动力学模型来刻画对抗性更新在复杂图拓扑中的时空扩散。其次，我们引入一系列主动审计指标：随机熵异常、随机平滑Kullback-Leibler散度和激活峰度。这些指标利用私有探测来压力测试局部模型，有效暴露传统静态检测无法察觉的潜在后门。此外，我们实施拓扑感知防御部署策略以最大化全局聚合鲁棒性。我们为系统在攻击与防御协同演化动力学下的收敛性提供了理论性质保证。在多种架构上的数值实证评估表明，我们的主动框架在缓解隐蔽自适应后门的同时保持主要任务效用，与最先进的防御方法具有高度竞争力。
引用
@article{arxiv.2603.18538,
title = {Beyond Passive Aggregation: Active Auditing and Topology-Aware Defense in Decentralized Federated Learning},
author = {Sheng Pan and Niansheng Tang},
journal= {arXiv preprint arXiv:2603.18538},
year = {2026}
}