PDLRecover：基于机器遗忘的隐私保护去中心化模型恢复
密码学与安全
2025-06-19 v1
摘要
去中心化学习对毒石攻击极其脆弱，后者通过操纵本地更新来损害全局模型性能。现有的防御措施主要检测并过滤恶意模型，旨在防止少数攻击者破坏全局模型。然而，恢复已被破坏的全局模型仍是一个挑战。直接方法是删除恶意客户端并仅使用良性客户端重新训练模型。但重新训练耗时、计算昂贵，且可能损害模型一致性和隐私。我们提出 PDLRecover，一种新方法，通过利用历史模型信息在保持隐私的前提下高效恢复被毒石攻击的全局模型。主要挑战在于保护共享的历史模型，同时启用模型恢复的参数估计。通过利用近似 Hessian 矩阵计算的线性性质，我们应用秘密共享来保护历史更新，确保在传输或重构期间不泄露本地模型。PDLRecover引入客户端准备、定期恢复更新和最终精确更新，以确保恢复模型的鲁棒性和收敛。定期更新保持准确的曲率信息，最终步骤确保高质量收敛。实验表明，恢复的全局模型在性能上与完全重新训练的模型相当，但计算和时间成本显著降低。此外，PDLRecover有效防止了本地模型参数的泄露，确保恢复过程中的准确性和隐私。
引用
@article{arxiv.2506.15112,
title = {PDLRecover: Privacy-preserving Decentralized Model Recovery with Machine Unlearning},
author = {Xiangman Li and Xiaodong Wu and Jianbing Ni and Mohamed Mahmoud and Maazen Alsabaan},
journal= {arXiv preprint arXiv:2506.15112},
year = {2025}
}