面向去中心化联邦学习的竞争优势攻击
机器学习
2025-10-15 v2 密码学与安全
摘要
去中心化联邦学习（DFL）使客户端（例如医院和银行）能够在没有中心编排服务器的情况下联合训练机器学习模型。在每一轮全局训练中，每个客户端在其自身训练数据上训练本地模型，然后交换本地模型进行聚合。在这项工作中，我们提出 SelfishAttack，一类针对 DFL 的新攻击。在 SelfishAttack 中，一组自私客户端旨在相对于其余非自私客户端获得竞争优势，即自私客户端最终学到的本地模型比非自私客户端的更准确。为实现该目标，自私客户端在每一轮全局训练中向每个剩余的非自私客户端发送精心构造的本地模型。我们将寻找此类本地模型表述为一个优化问题，并针对 DFL 使用不同聚合规则的情况提出求解方法。理论上，我们证明我们的方法找到了该优化问题的最优解。实证上，我们表明 SelfishAttack 成功扩大了自私客户端与非自私客户端最终学到的本地模型之间的准确率差距（即竞争优势）。此外，当扩展到增加竞争优势时，SelfishAttack 比投毒攻击实现了更大的准确率差距。
引用
@article{arxiv.2310.13862,
title = {Competitive Advantage Attacks to Decentralized Federated Learning},
author = {Yuqi Jia and Minghong Fang and Neil Zhenqiang Gong},
journal= {arXiv preprint arXiv:2310.13862},
year = {2025}
}
备注
Conference on Neural Information Processing Systems (NeurIPS) 2025