CoSIFL：面向联邦学习的协作安全与激励机制 with 差分隐私
机器学习
2025-09-30 v1
摘要
联邦学习(FL)已成为在保持数据局部性的同时进行协作模型训练的有前景范式。然而，它仍面临来自恶意或受控客户端的挑战，以及在严格隐私要求下激励参与者贡献高质量数据的困难。为此，我们提出CoSIFL，一种新型框架，集成了主动报警以实现鲁棒安全性，以及本地差分隐私(LDP)以防御推断攻击，同时引入基于Stackelberg的激励方案以鼓励客户端参与和数据共享。具体而言，CoSIFL使用主动报警机制和鲁棒聚合来抵御拜占庭式攻击和推断攻击，同时基于Tullock竞赛启发的激励模块对数据贡献和可靠报警触发的诚实客户端进行奖励。我们将服务器-客户端互动建模为两阶段博弈：第一阶段，服务器确定总奖励、选择参与者并固定全局迭代设置；第二阶段，每个客户端决定其 mini-batch 大小、隐私噪声规模和报警策略。我们证明该服务器-客户端博弈仅有唯一均衡，并分析了客户端多维属性(如非IID程度和隐私预算)对系统效率的联合影响。实验结果表明，CoSIFL 在标准基准上优于最先进解决方案，提升了模型鲁棒性，降低了总服务器成本，凸显了集成设计的有效性。
引用
@article{arxiv.2509.23190,
title = {CoSIFL: Collaborative Secure and Incentivized Federated Learning with Differential Privacy},
author = {Zhanhong Xie and Meifan Zhang and Lihua Yin},
journal= {arXiv preprint arXiv:2509.23190},
year = {2025}
}