面对 adversarial 梯度扰动的分布式学习
机器学习
2026-05-06 v1
摘要
分布式学习中的隐私问题常导致客户端返回人为修改的梯度信息。我们考虑在对抗梯度扰动下学习凸函数的问题，其中客户端对服务器查询的梯度回复可任意偏离真实梯度，但受距离限制。我们的研究聚焦于两个根本问题：(i) 在此类响应下，实现的最小次优差是多少(即优化中的剩余误差)，以及(ii) 为保证给定次优差，所需的查询次数是多少？我们建立了次优差的紧致可行性阈值，并提供算法在这些阈值之上具有可证明的查询复杂度保证。
引用
@article{arxiv.2605.03313,
title = {Distributed Learning with Adversarial Gradient Perturbations},
author = {Nawapon Sangsiri and Yufei Tao},
journal= {arXiv preprint arXiv:2605.03313},
year = {2026}
}