FedGT：基于安全聚合的联邦学习中恶意客户端的识别
机器学习
2024-07-11 v3 密码学与安全
信息论
math.IT
摘要
我们提出了 FedGT，一种在具有安全聚合的联邦学习中识别恶意客户端的新颖框架。受群体检测（group testing）启发，该框架利用重叠的客户端分组，通过解码操作识别组中恶意客户端的存在。被识别为恶意的客户端随后从模型训练中移除，训练在剩余客户端上进行。通过选择组的大小、数量与重叠度，FedGT 在隐私与安全性之间取得平衡。具体而言，服务器学习每组中客户端的聚合模型——普通联邦学习与安全聚合分别对应 FedGT 的极端情况，其组大小分别等于一和客户端总数。FedGT 的有效性通过在 MNIST、CIFAR-10 与 ISIC2019 数据集上、跨机构（cross-silo）设置下、面对不同数据投毒攻击的大量实验得到证明。这些实验展示了 FedGT 识别恶意客户端的能力，从而带来高模型效用。我们进一步表明，在多种设置下 FedGT 显著优于 Pillutla 等人近期提出的基于几何中位数的私有鲁棒聚合方法。
引用
@article{arxiv.2305.05506,
title = {FedGT: Identification of Malicious Clients in Federated Learning with Secure Aggregation},
author = {Marvin Xhemrishi and Johan Östman and Antonia Wachter-Zeh and Alexandre Graell i Amat},
journal= {arXiv preprint arXiv:2305.05506},
year = {2024}
}
备注
Changes: 1. New testing strategy, 2. New scheme that does not require hyperparameter tuning, 3. Added two versions of FedGT, 4. New experimental results