ProDiGy：基于近似性和不相似性的巴基尼-鲁鲁斯联邦学习
机器学习
2025-09-12 v1 分布式、并行与集群计算
摘要
联邦学习（Federated Learning）已成为分布式学习中广受关注的范例。尽管具有诸多优势，但联邦学习在数据异构性情况下仍然容易受到对抗性攻击。我们提出一种新的抗巴基尼-鲁鲁斯联邦学习算法，称为ProDiGy。其核心新颖之处在于，基于梯度的近似性和不相似性，构建了一个联合双重评分系统用于评估客户端梯度。通过大量数值实验，我们展示ProDiGy 在 various 场景下优于现有防御机制。特别是在客户端数据不遵循独立同分布（IID）情况下，其他防御机制失效时，ProDiGy 仍保持强大的防御能力和模型精度。这些发现凸显了一种双视角方法的有效性，该方法在促进诚实客户端间的自然相似性同时，检测潜在攻击的异常一致性。
引用
@article{arxiv.2509.09534,
title = {ProDiGy: Proximity- and Dissimilarity-Based Byzantine-Robust Federated Learning},
author = {Sena Ergisi and Luis Maßny and Rawad Bitar},
journal= {arXiv preprint arXiv:2509.09534},
year = {2025}
}