MANDERA：基于排序的联邦学习恶意节点检测
机器学习
2026-03-27 v3
摘要
拜占庭攻击阻碍了联邦学习算法的部署。尽管我们知道良性梯度与遭受拜占庭攻击的梯度分布不同，但由于（1）梯度是高维的且每一维都有其独特的分布，以及（2）良性梯度与受攻击梯度总是混合在一起（双样本检验方法无法直接应用），检测恶意梯度具有挑战性。针对上述情况，我们首次提出 MANDERA，该方法在理论上保证能在无需关于受攻击节点数量的先验知识或历史信息的情况下，高效检测拜占庭攻击下的所有恶意梯度。更具体地，我们将原始更新梯度空间转换为一个排序矩阵。通过这一操作，梯度各维度在排序空间中的尺度变得一致。高维良性梯度与恶意梯度可轻易分离。MANDERA 的有效性进一步通过在四种拜占庭攻击实现（高斯、零梯度、符号翻转、偏移均值）上与 SOTA 防御方法进行对比实验得到验证。实验涵盖了 IID 与 Non-IID 数据集。
引用
@article{arxiv.2110.11736,
title = {MANDERA: Malicious Node Detection in Federated Learning via Ranking},
author = {Wanchuang Zhu and Benjamin Zi Hao Zhao and Simon Luo and Tongliang Liu and Ke Deng},
journal= {arXiv preprint arXiv:2110.11736},
year = {2026}
}
备注
21 pages, 11 figures, The Annals of Applied Statistics