BlackCATT：面向联邦学习的黑盒协作感知诱引追踪
密码学与安全
2026-02-16 v2
摘要
近年来，联邦学习因其允许在数据所有人所在地本地进行训练而流行起来，用于涉及个人或敏感数据的应用，不需要共享数据本身。考虑到数据所有人可能泄露或滥用的风险，许多研究试图保护其版权，甚至通过唯一标识每个参与者模型副本的水印来追踪潜在泄露的来源。在现实指控场景下，水印通常以样本-标签对嵌入，处于黑盒环境。然而，协作风险——即多个恶意行为者联合产生无法被追踪的模型——仍被很少关注，此前的工作仅限于浅层网络和近线性可分主任务。本工作据此了解，首次提出一种适用于联邦学习黑盒诱引追踪的通用协作抗性嵌入方法：BlackCATT，它引入一种新颖的协作感知嵌入损失项，改用迭代优化触发器，而非固定触发器集合，以促进收敛和诱引追踪性能。实验结果确认了该方案在不同架构和数据集上的有效性。此外，对于在学习不同水印后原本会因更新不兼容而受影响的模型（例如包含批量归一化层的架构），我们的BlackCATT+FR方案在聚合器处引入一组辅助示例，通过功能正则化实现共享特征空间，而不损害诱引追踪性能。
引用
@article{arxiv.2602.12138,
title = {BlackCATT: Black-box Collusion Aware Traitor Tracing in Federated Learning},
author = {Elena Rodríguez-Lois and Fabio Brau and Maura Pintor and Battista Biggio and Fernando Pérez-González},
journal= {arXiv preprint arXiv:2602.12138},
year = {2026}
}
备注
Submitted to IEEE Transactions on Information Forensics and Security (TIFS) for possible publication (This version corrects a parameter error affecting experimental FPR results.)