通过一致性评分将拜占庭容错嵌入联邦学习
机器学习
2025-09-18 v3
摘要
给定来自多个边缘设备的充足数据，联邦学习（FL）能够在不将私有数据传输至中央服务器的情况下训练共享模型。然而，FL 通常易受来自被攻陷边缘设备的拜占庭攻击，这会显著降低模型性能。在本工作中，我们提出了一种直观的插件，能将拜占庭鲁棒性无缝嵌入现有 FL 方法中。核心思想是生成虚拟数据样本，并评估局部更新间的模型一致性评分，以有效过滤掉被攻陷的更新。通过在聚合阶段前利用该评分机制，该插件使现有 FL 方法能够抵御拜占庭攻击，同时保持其原有优势。在血细胞分类任务上的数值结果表明，该插件提供了强大的拜占庭鲁棒性。具体而言，附加插件的 FedAvg 在 30% 定向攻击下实现了超过 89.6% 的测试准确率（无插件时为 19.5%），在非定向攻击下保持 65%-70% 的测试准确率（无插件时为 17%-19%）。
引用
@article{arxiv.2411.10212,
title = {Embedding Byzantine Fault Tolerance into Federated Learning via Consistency Scoring},
author = {Youngjoon Lee and Jinu Gong and Joonhyuk Kang},
journal= {arXiv preprint arXiv:2411.10212},
year = {2025}
}
备注
Accepted to IEEE GLOBECOM 2025