OptiGradTrust：基于多特征梯度分析与强化学习信任加权的拜占庭鲁棒联邦学习
机器学习
2025-08-01 v1 人工智能
摘要
联邦学习（FL）能够在保护患者隐私的同时，支持跨分布式医疗机构的协作模型训练，但仍然容易受到拜占庭攻击和统计异构性的影响。我们提出 OptiGradTrust，一个全面的防御框架，通过包含 VAE 重构误差、余弦相似度度量、 范数、符号一致性比率和蒙特卡洛 Shapley 值的新型六维指纹来评估梯度更新，该指纹驱动混合 RL-attention 模块进行自适应信任评分。为了解决数据异构性下的收敛挑战，我们开发了 FedBN-Prox (FedBN-P)，将联邦批归一化与近端正则化相结合，以实现最佳的准确率-收敛权衡。在 MNIST、CIFAR-10 和阿尔茨海默症 MRI 数据集上，在各种拜占庭攻击场景下进行的广泛评估表明，相比 SOTA 防御方法有显著提升，在非独立同分布条件下比 FLGuard 高出 1.6 个百分点以上，同时通过我们的自适应学习方法在面对多种攻击模式时保持了稳健的性能。
引用
@article{arxiv.2507.23638,
title = {OptiGradTrust: Byzantine-Robust Federated Learning with Multi-Feature Gradient Analysis and Reinforcement Learning-Based Trust Weighting},
author = {Mohammad Karami and Fatemeh Ghassemi and Hamed Kebriaei and Hamid Azadegan},
journal= {arXiv preprint arXiv:2507.23638},
year = {2025}
}