DROP：基于知识蒸馏的联邦学习毒素稀释
机器学习
2025-04-29 v2 密码学与安全
分布式、并行与集群计算
摘要
联邦学习对对抗性操纵十分脆弱，恶意客户端可以注入毒性更新以影响全局模型的行为。尽管现有防御机制取得了显著进展，但它们无法保护免受旨在不同学习和攻击配置下诱导定向后门的对手。为解决这一局限，本文引入 DROP (Distillation-based Reduction Of Poisoning)，一种新的防御机制，结合聚类和活动跟踪技术，从客户端通过知识蒸馏提取良好行为，以应对那些操控低数据毒化率和联邦中不同恶意客户端比例的狡猾对手。通过大量实验，我们的方法在广泛的学习配置下显示出优于现有防御的鲁棒性。最后，我们在非 IID 客户端数据分布的具有挑战性情景下评估现有防御和我们的方法，并突出了在此情景下设计韧性联邦学习防御的挑战。
引用
@article{arxiv.2502.07011,
title = {DROP: Poison Dilution via Knowledge Distillation for Federated Learning},
author = {Georgios Syros and Anshuman Suri and Farinaz Koushanfar and Cristina Nita-Rotaru and Alina Oprea},
journal= {arXiv preprint arXiv:2502.07011},
year = {2025}
}