FedSurrogate：基于层关键性和替代方案的联邦学习后门防御
密码学与安全
2026-05-13 v1 机器学习
摘要
联邦学习仍高度易受到后门攻击——恶意客户端向全局模型中注入针对性行为。现有防御方法在现实非独立同分布(non-IID)数据下存在显著的误报率，错误地将良性客户端标记为恶意客户端并降低模型准确率，即使 adversaries 被正确识别。我们提出FedSurrogate，这是一种新的后门防御方法，通过结合双向梯度对齐过滤和层自适应异常检测来解决这一限制。FedSurrogate通过方向散度分析识别安全关键层，进行选择性聚类，聚焦于低维子空间。双向软过滤阶段筛选受信任客户端以消除残余污染，同时从可疑对象中恢复误报，显著减少在异构条件下的误分类。在不移除确认的恶意更新方面，FedSurrogate用来自结构相似的良性客户端的按比例缩放的替代方案替换它们，既保留梯度多样性，又中和对抗性影响。广泛的评估表明，FedSurrogate在所有数据集和攻击类型下的误报率保持在10%以下，与最近最有效的基线方法相比为31-32%，同时在挑战性非IID设置下实现更高的主任务准确率，并在所有测试数据集和攻击类型下的攻击成功率保持在2.1%以下。
引用
@article{arxiv.2605.11122,
title = {FedSurrogate: Backdoor Defense in Federated Learning via Layer Criticality and Surrogate Replacement},
author = {Fatima Z. Abacha and Sin G. Teo and Yuanxiang Wu and Lucas C. Cordeiro and Mustafa A. Mustafa},
journal= {arXiv preprint arXiv:2605.11122},
year = {2026}
}