我们真的需要设计新的面向拜占庭容错的聚合规则吗？

联邦学习（FL）允许多个客户端通过服务器协同训练全局机器学习模型，而无需交换私有训练数据。然而，FL 的去中心化特性使其易受到投毒攻击，恶意客户端可通过发送篡改后的本地模型更新来操纵全局模型。为抵御这些攻击，已引入多种针对拜占庭故障具鲁棒性的聚合规则。尽管如此，这些方法仍可能面临复杂攻击，或依赖于关于服务器的不切实际假设。本文表明，无需设计新的面向拜占庭容错的聚合规则；相反，可通过增强既有聚合规则的鲁棒性来实现 FL 的安全。为此，我们提出了一种名为 FoundationFL 的新型防御机制，用于抵御投毒攻击。FoundationFL 涉及服务器在接收来自客户端的本地模型更新后生成合成更新，然后应用既有的拜占庭鲁棒的基础聚合规则（如截断均值或中位数）来组合客户端的模型更新与合成更新。我们在拜占庭设置下理论上建立了 FoundationFL 的收敛性能。广泛的实验在多个真实数据集上验证了 FoundationFL 方法的有效性。