隐藏与寻找：联邦图学习的分布式对抗攻击
机器学习
2026-03-10 v1 人工智能
摘要
联邦图学习（FedGL）易受到恶意攻击，但如何构建有效且隐蔽的攻击方法仍是重要挑战。现有攻击方法 suffer from 攻击成功率低、计算成本高，且易被防御算法识别和平滑。为此，我们提出了 FedShift，一种新型两阶段“隐藏与寻找”分布式对抗攻击。在第一阶段，FedGL 开始之前，我们注入可学习且隐藏的“位移器”到部分训练数据中，通过微妙地将受毒化的图表示推向目标类别决策边界而不越界，确保训练期间的攻击隐蔽性。在第二阶段，FedGL 完成后，我们利用全局模型信息，将隐藏位移器作为优化起点，高效寻找对抗扰动。最终阶段，我们聚合来自多个恶意客户端的扰动，形成有效的对抗样本并触发攻击。在六个大规模数据集上的大量实验表明，我们的方法在已知先进攻击方法中实现了最高的攻击效果。特别地，我们的攻击能够有效规避 3 种主流鲁棒联邦学习防御算法，并将时间成本降低超过 90%，凸显其卓越的隐蔽性、鲁棒性和效率。
引用
@article{arxiv.2603.07743,
title = {Hide and Find: A Distributed Adversarial Attack on Federated Graph Learning},
author = {Jinshan Liu and Ken Li and Jiazhe Wei and Bin Shi and Bo Dong},
journal= {arXiv preprint arXiv:2603.07743},
year = {2026}
}
备注
Accepted at ICLR 2026 Workshop: Principled Design for Trustworthy AI