Pigeon-SL：恶意客户端下边缘智能的鲁棒分割学习框架

分割学习（SL）的最新进展使其成为网络边缘隐私保护、通信高效的分布式学习的极具前景的框架。然而，SL 的顺序更新过程极易受到单个恶意客户端的影响，从而显著降低模型准确率。为解决此问题，我们提出了 Pigeon-SL，一种基于鸽巢原理的新方案，即使在最多有 N 个客户端为恶意客户端的情况下，也能保证 M 个客户端中至少存在一个完全诚实的集群。在每一轮全局训练中，接入点将客户端划分为 N+1 个集群，通过标准 SL 独立训练每个集群，并在共享数据集上评估它们的验证损失。仅验证损失最低的集群得以推进，从而隔离并丢弃恶意更新。我们进一步提出了 Pigeon-SL+ 以提升训练和通信效率，该方法在选定集群上重复训练，以匹配标准 SL 的更新吞吐量。我们在三种代表性攻击模型——标签翻转、激活和梯度操纵下验证了该方法的鲁棒性和有效性，展示了在未来智能无线网络中，其相比基线 SL 方法在准确率和韧性上的显著提升。