面向隐私保护与鲁棒性联邦学习的实用框架
密码学与安全
2025-12-22 v1 分布式、并行与集群计算
机器学习
摘要
联邦学习 (FL) 允许多个客户端在不共享私有数据的情况下协同训练模型。然而，FL 面临 Byzantine 攻击和隐私推理攻击的双重威胁。现有针对后门和隐私推理攻击的防御方法引入了显著的计算和通信开销，导致理论与实践之间存在差距。为此，我们提出 ABBR，一个面向 Byzantine 鲁棒和隐私保护联邦学习的实用框架。我们首次利用降维技术加速隐私计算中复杂过滤规则的执行。此外，我们分析了低维空间中向量级过滤的精度损失，并引入自适应调优策略以最小化绕过过滤的恶意模型对全局模型的影响。我们使用最先进的 Byzantine 鲁棒聚合规则实现 ABBR，并在公开数据集上进行评估，表明其运行速度显著提升，通信开销最小化，几乎保持与基线相同的 Byzantine 抗性。
引用
@article{arxiv.2512.17254,
title = {Practical Framework for Privacy-Preserving and Byzantine-robust Federated Learning},
author = {Baolei Zhang and Minghong Fang and Zhuqing Liu and Biao Yi and Peizhao Zhou and Yuan Wang and Tong Li and Zheli Liu},
journal= {arXiv preprint arXiv:2512.17254},
year = {2025}
}
备注
Accepted for publication in IEEE Transactions on Information Forensics and Security