跨孤岛联邦学习中非IID设置的隐私保护与鲁棒聚合
机器学习
2025-03-07 v1 人工智能
密码学与安全
摘要
联邦平均(FedAvg)因其简单性和可扩展性仍然是联邦学习中最广泛使用的聚合策略。然而，在非IID数据设置下，当客户端分布高度不平衡或偏斜时，其性能显著下降。此外，它依赖客户端传输元数据，具体来说是训练样本数量，这引入了隐私风险，并可能与GDPR等监管框架冲突。在本文中，我们提出了一种新的聚合策略，通过引入类别感知梯度掩码来解决这些挑战。与传统方法不同，我们的方法仅依赖梯度更新，不需要任何额外的客户端元数据，从而增强了隐私保护。此外，我们的方法基于类别特定重要性验证并动态加权客户端贡献，确保对非IID分布、收敛防止和后门攻击的鲁棒性。在基准数据集上的广泛实验表明，我们的方法不仅在非IID设置下优于FedAvg和其他广泛接受的聚合策略，还能在对抗场景中保持模型完整性。我们的结果证明了梯度掩码作为联邦学习的实用且安全的解决方案的有效性。
引用
@article{arxiv.2503.04451,
title = {Privacy Preserving and Robust Aggregation for Cross-Silo Federated Learning in Non-IID Settings},
author = {Marco Arazzi and Mert Cihangiroglu and Antonino Nocera},
journal= {arXiv preprint arXiv:2503.04451},
year = {2025}
}