去中心化学习能否比联邦学习更鲁棒？
机器学习
2023-03-08 v1 密码学与安全
摘要
去中心化学习（DL）是一种点对点学习方法，允许多个用户联合训练机器学习模型。为确保正确性，DL 应具备鲁棒性，即拜占庭用户必须无法篡改协作结果。本文引入两种针对 DL 的\textit{新}攻击，拜占庭用户可借此：使网络收敛至其任意选定模型，并将任意用户排除在学习过程之外。我们展示了这些攻击针对最先进的鲁棒 DL 协议 Self--Centered Clipping 的有效性。最后，我们表明去中心化赋予拜占庭用户的能力导致去中心化学习\emph{总是}提供比联邦学习更低的鲁棒性。
引用
@article{arxiv.2303.03829,
title = {Can Decentralized Learning be more robust than Federated Learning?},
author = {Mathilde Raynal and Dario Pasquini and Carmela Troncoso},
journal= {arXiv preprint arXiv:2303.03829},
year = {2023}
}