PoiCGAN：基于特征-标签联合扰动的针对性投毒在联邦学习中的应用
机器学习
2026-03-26 v1 人工智能
摘要
联邦学习（Federated Learning，FL）作为一种流行的分布式学习范式，已在提高计算效率和保护数据隐私方面显示出卓越的性能，广泛应用于工业图像分类。然而，由于其分布式特性，FL对来自恶意客户端的威胁极其脆弱，投毒攻击是常见的威胁形式。现有投毒攻击方法的主要局限之一是其难以规避基于模型异常检测的模型性能测试和防御机制。这常常导致被投毒的模型被检测并移除，从而削弱了其实际效用。为确保工业图像分类的性能同时实现攻击，我们提出了一种针对性投毒攻击方法PoiCGAN，基于特征-标签协同扰动。我们修改条件生成对抗网络（Conditional Generative Adversarial Network，CGAN）中判别器和生成器的输入，以影响训练过程，生成理想的投毒生成器。该生成器不仅产生特定的投毒样本，还自动执行标签翻转。跨越多个数据集的实验表明，我们的方法在攻击成功率上比基线方法高出83.97%，同时仅使主要任务准确率下降不到8.87%。此外，投毒样本和恶意模型都表现出高度的隐蔽性。
引用
@article{arxiv.2603.23574,
title = {PoiCGAN: A Targeted Poisoning Based on Feature-Label Joint Perturbation in Federated Learning},
author = {Tao Liu and Jiguang Lv and Dapeng Man and Weiye Xi and Yaole Li and Feiyu Zhao and Kuiming Wang and Yingchao Bian and Chen Xu and Wu Yang},
journal= {arXiv preprint arXiv:2603.23574},
year = {2026}
}