基于量子退火的 QUBO 方案实现面向联邦学习的拜占庭鲁棒客户端选择
摘要
联邦学习（FL）在保护数据隐私的前提下跨去中心化客户端训练全局模型，但在大规模部署时易受恶意更新攻击。拜占庭鲁棒聚合方法如 MultiKrum 通过对梯度的最近邻邻居评分来抵御恶意更新，却可能遗漏保持诚实更新统计特性的恶意更新。我们提出一种量子退火方法，将客户端选择问题 reformulated 为二次无约束二进制优化（QUBO）问题，将成对距离编码到代价函数中，通过量子退火器（QA）求解。不同于 MultiKrum 的按客户端评分的贪婪策略，QUBO 形式在所有子集上联合优化，以寻找互相最近的 m 个客户端组。 在小规模（15 个客户端）实验中，QUBO 在最具挑战性的拜占庭攻击下优于 MultiKrum：例如，Advanced LIE 在 MNIST 上的检测准确率达 95.11%，而 MultiKrum 为 81.33%；在 CIFAR-10 上的准确率为 97.78% 与 75.56%。QUBO 在 MultiKrum 优势的简单攻击下表现不佳，因此两种方法互补。随着客户端数量增长，QUBO 的质量也会下降。为此，我们引入 MultiSignal 集成方案，采用基于欧几里得距离与余弦距离 Krum 评分间隔的双特征路由门，将攻击分类为四个类别，并将欺骗性攻击路由到带有信任惩罚的 QUBO 中进行投票决策。在 100 个客户端的 MNIST 实验中，MultiSignal 实现 95.3% 的平均检测准确率，优于经典 MultiKrum 的 91.8%，在稀疏 Lie（从 72.0% 提升至 95.2%，提升 23.2 分）和 Advanced Lie（从 80.4% 提升至 85.2%，提升 4.8 分）上获得最大提升。这些结果表明，QUBO 基于量子退火的方案结合 MultiSignal 是一种原则且可扩展的防御机制，有效抵御联邦学习中最具挑战性的拜占庭策略。
引用
@article{arxiv.2605.16438,
title = {Byzantine-Resilient Federated Learning via QUBO-Based Client Selection on Quantum Annealers},
author = {Andras Ferenczi and Sutapa Samanta and Dagen Wang and Jason Qizhe Qin},
journal= {arXiv preprint arXiv:2605.16438},
year = {2026}
}
备注
9 pages, 6 figures, 8 tables