DART：面向资源高效鲁棒性联邦学习的服务器端插件
机器学习
2026-03-26 v2
摘要
联邦学习(Federated Learning, FL)作为一种在边缘设备上保持数据隐私的分布式训练机器学习模型的流行方法，面临客户端计算资源受限以及对噪声、模糊和天气效应等常见损坏的鲁棒性不足的挑战。现有鲁棒训练方法计算昂贵，难以适用于资源受限的客户端。我们提出一种新型数据无关的鲁棒训练(DART, Data-agnostic robust training)插件，可部署于任何联邦学习系统，以零客户端开销提升鲁棒性。DART 在服务器端运行，无需访问私有数据，确保可无缝集成于现有联邦学习系统中。大量实验表明，DART 能够提升最先进联邦学习系统的鲁棒性，证明其在实际场景中具有可行性和可扩展性。
引用
@article{arxiv.2508.17381,
title = {DART: A Server-side Plug-in for Resource-efficient Robust Federated Learning},
author = {Omar Bekdache and Naresh Shanbhag},
journal= {arXiv preprint arXiv:2508.17381},
year = {2026}
}