FedThief: 在自我中心化联邦学习中以牺牲他人来获益
机器学习
2025-09-03 v1 密码学与安全
摘要
在联邦学习中，参与者上传的模型更新无法直接验证，使系统易受恶意攻击。现有攻击策略使对手上传篡改后的模型更新以降低全局模型性能，但攻击者也会损害自身私有模型，无法获益。在现实情境中，攻击者受自我中心动机驱动：其目标是通过开发超越其他参与者的模型获得竞争优势，而不仅仅是造成破坏。本文研究了一种新型的自我中心化联邦学习（SCFL）攻击范式，攻击者不仅通过攻击降低全局模型性能，同时在联邦学习过程中提升自身模型。我们提出了名为FedThief的框架，通过在上传阶段上传修改后的内容来降低全局模型性能。同时，利用具有导数感知的集成技术提升私有模型性能，其中“导数”衡量私有模型与全局模型之间的偏差，将全局更新与本地知识相结合。大量实验表明，我们的方法有效降低全局模型性能，同时使攻击者获得的集成模型显著超越全局模型。
引用
@article{arxiv.2509.00540,
title = {FedThief: Harming Others to Benefit Oneself in Self-Centered Federated Learning},
author = {Xiangyu Zhang and Mang Ye},
journal= {arXiv preprint arXiv:2509.00540},
year = {2025}
}
备注
12 pages, 5 figures