SRFed：面向非独立同分布数据的隐私保护性联邦学习中的抗投毒
概率论
2026-02-19 v1 泛函分析
摘要
联邦学习( FL )通过不暴露客户端私人数据实现协作模型训练，已在隐私敏感场景中广泛采用。然而，FL面临两个关键安全威胁：可能发动推断攻击以重建客户端私人数据的好奇服务器，以及被破坏的客户端可发动投毒攻击破坏模型聚合。现有解决方案通过结合主流隐私保护技术与防御性聚合策略来缓解这些攻击。然而，这些方法要么在计算和通信开销方面较高，要么在非独立同分布(Non-IID)数据设置下表现不佳。为解决这些挑战，我们提出了SRFed：一个面向Non-IID场景的高效抗 Byzantine-robust且隐私保护的 FL 框架。首先，我们设计了一种去中心化高效函数加密(DEFE)方案，以支持高效模型加密和非交互式解密。DEFE还消除了对第三方的依赖，防御服务器端推断攻击。其次，我们基于DEFE开发了一种隐私保护性防御性模型聚合机制。该机制通过层级投影和基于聚类的分析在Non-IID数据下筛选有毒模型。理论分析和大量实验表明，SRFed 在隐私保护、Byzantine 鲁棒性和效率方面均优于最先进的基线方法。
引用
@article{arxiv.2602.16479,
title = {Central limit theorem for random walk in degenerate divergence-free random environment: $\mathcal H_{-1}$ reloaded with relaxed ellipticity},
author = {Bálint Tóth},
journal= {arXiv preprint arXiv:2602.16479},
year = {2026}
}
备注
31 pages, no figures