面向非IID数据的拜占庭鲁棒学习的线性标量化
机器学习
2022-10-18 v1
摘要
在本文中，我们研究客户端间数据异构时的拜占庭鲁棒学习问题。我们关注针对 SGD 收敛的投毒攻击。尽管该问题已受到广泛关注，主流拜占庭防御依赖于 IID 假设，导致即便在无攻击情况下，当数据分布为非 IID 时也会失效。我们提出使用线性标量化（LS）作为一种增强方法，使现有防御能够在非 IID 设置下规避拜占庭攻击。LS 方法基于引入一个对可疑恶意客户端施加惩罚的权衡向量。实证分析证实，所提出的 LS 变体在 IID 设置下是可行的。对于轻度至强非 IID 数据划分，在最先进拜占庭攻击场景下，LS 与现有方法相当或更优。
引用
@article{arxiv.2210.08287,
title = {Linear Scalarization for Byzantine-robust learning on non-IID data},
author = {Latifa Errami and El Houcine Bergou},
journal= {arXiv preprint arXiv:2210.08287},
year = {2022}
}