权力归于客户端:独裁设定下的联邦学习
机器学习
2026-04-20 v3 人工智能
计算与语言
密码学与安全
计算机视觉与模式识别
分布式、并行与集群计算
摘要
联邦学习(FL)已成为一种有前景的分布式模型训练范式,使多个客户端能够在不交换本地数据的情况下协作学习共享模型。然而,FL的分布式特性也引入了脆弱性,因为恶意客户端可能会破坏或操纵训练过程。在这项工作中,我们引入了独裁客户端,这是一类新颖、定义明确且可解析处理的恶意参与者,能够完全抹去服务器模型中所有其他客户端的贡献,同时保留自己的贡献。我们提出了具体的攻击策略来赋予此类客户端权力,并系统地分析了它们对学习过程的影响。此外,我们探索了涉及多个独裁客户端的复杂场景,包括它们合作、独立行动或结成联盟最终相互背叛的情况。对于每种设定,我们提供了它们对全局模型收敛影响的理论分析。我们关于包括多个独裁客户端在内的复杂场景的理论算法和发现,进一步得到了计算机视觉和自然语言处理基准上的实证评估的支持。
引用
@article{arxiv.2510.22149,
title = {Power to the Clients: Federated Learning in a Dictatorship Setting},
author = {Mohammadsajad Alipour and Mohammad Mohammadi Amiri},
journal= {arXiv preprint arXiv:2510.22149},
year = {2026}
}