POLAR：面向隐蔽性联邦学习后门攻击的基于策略的层级强化学习方法
机器学习
2025-10-23 v1
摘要
联邦学习（FL）通过在多个客户端上进行分布式模型训练而不暴露本地数据，使其免受后门攻击的威胁。尽管早期的 FL 后门攻击通过修改整个模型来实现，但近期研究探索了 backdoor-critical（BC）层的概念，即通过毒害所选有影响层来维持隐蔽性同时实现高效能。然而，现有的 BC 层方法依赖于基于规则的选择，未考虑层之间的相互关系，导致其效果不佳且容易被高级防御检测。本文提出 POLAR（POlicy-based LAyerwise Reinforcement learning），这是一种首次创造性地采用 RL 来解决 BC 层选择问题的 pipeline。与其他常用 RL 范式不同，POLAR 轻量级且采用伯努利抽样。POLAR 动态学习攻击策略，基于后门成功率（BSR）改进情况进行策略梯度更新以优化层选择。为确保隐蔽性，我们引入一种正则化约束，通过惩罚大攻击面积限制被修改层的数量。广泛实验表明，POLAR 在对抗六种最新 SOTA 防御时，优于最新攻击方法最高可达 40%。
引用
@article{arxiv.2510.19056,
title = {POLAR: Policy-based Layerwise Reinforcement Learning Method for Stealthy Backdoor Attacks in Federated Learning},
author = {Kuai Yu and Xiaoyu Wu and Peishen Yan and Qingqian Yang and Linshan Jiang and Hao Wang and Yang Hua and Tao Song and Haibing Guan},
journal= {arXiv preprint arXiv:2510.19056},
year = {2025}
}