快速、私密、受保护：在联邦学习中 safeguarding 数据隐私与对抗模型投毒攻击
机器学习
2025-11-05 v1
摘要
联邦学习（Federated Learning, FL）是一种分布式训练范式，参与者在确保数据隐私的前提下协作构建全局模型，而相关数据仍存储在参与者设备上。然而，旨在确保此类隐私的方案也使得保护潜在攻击者试图破坏训练结果的能力变得具有挑战性。在此背景下，我们提出Fast, Private, and Protected (FPP)，一种新方法，旨在保护联邦训练的同时启用安全聚合以保留数据隐私。通过使用参与者的评估结果进行轮次评估，并在攻击后实现训练恢复，FPP实现了上述目标。FPP还采用基于声誉的机制来缓解攻击者的参与。我们创建了一个docker化环境，用于验证FPP在文献中其他方法（FedAvg、Power-of-Choice、通过Trimmed Mean和Median聚合）中的性能。我们的实验表明，FPP实现了快速的收敛速度，即使在执行模型投毒攻击的恶意参与者参与的情况下也能收敛。
引用
@article{arxiv.2511.02797,
title = {Fast, Private, and Protected: Safeguarding Data Privacy and Defending Against Model Poisoning Attacks in Federated Learning},
author = {Nicolas Riccieri Gardin Assumpcao and Leandro Villas},
journal= {arXiv preprint arXiv:2511.02797},
year = {2025}
}