检测与评分：联邦学习中隐私保护的恶意行为检测与贡献评估
密码学与安全
2025-07-01 v1 分布式、并行与集群计算
机器学习
摘要
通过安全聚合实现的联邦学习允许从去中心化数据中进行私人协作学习，而不会泄露敏感的客户端信息。然而，安全聚合也 complicates 恶意客户端行为的检测以及对单个客户端贡献的评估。为解决这些挑战，提出了 QI（Pejo 等）用于贡献评估（CE），以及 FedGT（Xhemrishi 等）用于恶意行为检测（MD）。然而，QI 由于依赖于每个训练轮次中客户端的随机选择，缺乏足够的 MD 准确性；而 FedGT 则缺乏 CE 能力。本文将 QI 和 FedGT 的优势结合起来，以实现稳健的 MD 和准确的 CE。我们的实验表明，与仅使用其中一种方法相比，本方法性能优越。
引用
@article{arxiv.2506.23583,
title = {Detect \& Score: Privacy-Preserving Misbehaviour Detection and Contribution Evaluation in Federated Learning},
author = {Marvin Xhemrishi and Alexandre Graell i Amat and Balázs Pejó},
journal= {arXiv preprint arXiv:2506.23583},
year = {2025}
}
备注
The shorter version is accepted at FL-AsiaCCS 25