FedQV：在联邦学习中利用二次投票

联邦学习允许不同方协作训练全局模型，而无需披露各自的本地标签。联邦学习中聚合局部模型以生成全局模型的关键步骤，与公共决策（尤其是选举）有许多相似之处。在此背景下，联邦学习的一个主要弱点——易受投毒攻击——可解释为大多数当代聚合规则所依据的一人一票原则的后果。本文提出FedQV，一种基于二次投票方案的新型聚合算法，该方案最近被提出作为一人一票选举的更好替代方案。我们的理论分析表明，FedQV是一种真实机制，其中按真实估值出价是占优策略，且收敛速度与最先进方法相匹配。此外，我们使用多个真实数据集的实证分析验证了FedQV对抗投毒攻击的优越性能。它还表明，根据声誉分数将FedQV与不平等的投票“预算”相结合，可进一步提升其性能优势。最后，我们证明FedQV可以轻松与拜占庭鲁棒的隐私保护机制结合，以增强其对投毒攻击和隐私攻击的鲁棒性。