EBS-CFL：高效且拜占庭鲁棒的安全聚类联邦学习
密码学与安全
2025-06-17 v1 人工智能
分布式、并行与集群计算
摘要
尽管联邦学习（FL）在协作学习方面具有潜力，但由于分布式用户的数据异质性，其性能已有所恶化。最近，聚类联邦学习（CFL）通过根据相似性将用户划分为簇来解决这一挑战。然而，当用户因隐私顾虑不愿共享其簇标识时，CFL 在训练中面临困难。为了解决这些问题，我们提出了一种创新的高效且鲁棒的安全聚合方案 EBS-CFL，用于 CFL。所提出的 EBS-CFL 在保持用户簇标识保密的同时，有效支持 CFL 的训练。此外，它通过丢弃负相关梯度并以加权方式聚合正相关梯度来检测潜在的投毒攻击，而不损害个体客户端梯度。服务器还验证客户端正确的梯度编码。EBS-CFL 具有高效率，通信端开销为 O(ml + m²)，计算端开销为 O(m²l)，其中 m 为簇标识数量，l 为梯度大小。当 m = 1 时，EBS-CFL 的客户端计算效率至少比对比方案快 O(log n) 倍，其中 n 为客户端数量。此外，我们通过大量实验验证了该方案。最后，我们在理论上证明了该方案的安全性。
引用
@article{arxiv.2506.13612,
title = {EBS-CFL: Efficient and Byzantine-robust Secure Clustered Federated Learning},
author = {Zhiqiang Li and Haiyong Bao and Menghong Guan and Hao Pan and Cheng Huang and Hong-Ning Dai},
journal= {arXiv preprint arXiv:2506.13612},
year = {2025}
}
备注
Accepted by AAAI 25