FedIDM: 通过迭代分布匹配实现对抗性联邦学习中的快速稳定收敛
机器学习
2026-04-17 v1 密码学与安全
摘要
大多数现有的抗 Byzantine 联邦学习 (FL) 方法都存在收敛缓慢且不稳定的问题。此外，在处理大量 colluded 恶意客户端时，实现鲁棒性通常意味着牺牲模型实用性。为此，本文引入 FedIDM，通过分布匹配构建可信的压缩数据，用于识别和过滤异常客户端。FedIDM 包含两个主要组件：(1) 抗攻击的压缩数据生成，(2) 基于负贡献的鲁棒聚合。这些组件排除本地更新，这些更新要么偏离从压缩数据派生的更新方向，要么在压缩数据集上造成显著损失。在三个基准数据集上的全面评估表明，FedIDM 在多种最新抗 Byzantine 攻击下，能够在保持可接受模型实用性的同时实现快速稳定收敛，其中包括大量恶意客户端。
引用
@article{arxiv.2604.15115,
title = {FedIDM: Achieving Fast and Stable Convergence in Byzantine Federated Learning through Iterative Distribution Matching},
author = {He Yang and Dongyi Lv and Wei Xi and Song Ma and Hanlin Gu and Jizhong Zhao},
journal= {arXiv preprint arXiv:2604.15115},
year = {2026}
}