通过最大化任务区分增强联邦学习中后门攻击的有效性与持久性
机器学习
2025-09-24 v1
摘要
联邦学习允许多个参与者在不共享其私有数据的情况下协作训练中心模型。然而，这种分布式特性也暴露了新的攻击面。特别是，后门攻击允许攻击者将恶意行为植入全局模型，同时在良性输入上保持高准确率。现有攻击通常依赖固定模式或对抗性扰动作为触发器，这使得主任务和后门任务紧密耦合。这种耦合使它们容易受到诚实更新的稀释，并限制了其在联邦防御下的持久性。在这项工作中，我们提出了一种在min-max框架内通过动态优化后门触发器来将后门任务与主任务解耦的方法。内层最大化中毒样本与良性样本之间的性能差距，确保良性用户对后门的影响最小化。外层将自适应触发器注入局部模型。我们在计算机视觉和自然语言任务上评估了我们的方法，并在六种防御算法下与六种后门攻击方法进行了比较。实验结果表明，我们的方法取得了良好的攻击性能，并且可以轻松集成到现有的后门攻击技术中。
引用
@article{arxiv.2509.18904,
title = {Enhancing the Effectiveness and Durability of Backdoor Attacks in Federated Learning through Maximizing Task Distinction},
author = {Zhaoxin Wang and Handing Wang and Cong Tian and Yaochu Jin},
journal= {arXiv preprint arXiv:2509.18904},
year = {2025}
}