鲁棒于拜占庭攻击的联邦学习：实现零最优性差距
机器学习
2023-08-22 v1 密码学与安全
分布式、并行与集群计算
摘要
本文提出一种面向联邦学习（FL）的鲁棒聚合方法，可有效应对恶意拜占庭攻击。在每个用户端，模型参数首先进行多步更新（步数可随迭代调整），随后直接推送至聚合中心。与现有需结合多个历史模型参数的工作相比，这减少了聚合中心与用户间的交互次数，允许用户灵活设置训练参数，并降低了计算负担。在聚合中心，利用几何中位数对来自各用户的模型参数进行合并。严格证明表明，只要拜占庭攻击者的比例低于一半，所提方法即可在线性收敛下实现零最优性差距。数值结果验证了所提方法的有效性。
引用
@article{arxiv.2308.10427,
title = {Federated Learning Robust to Byzantine Attacks: Achieving Zero Optimality Gap},
author = {Shiyuan Zuo and Rongfei Fan and Han Hu and Ning Zhang and Shimin Gong},
journal= {arXiv preprint arXiv:2308.10427},
year = {2023}
}