面向可抵御巴比乌斯攻击的可学习聚合权重联邦学习

联邦学习 (FL) 使客户端可在不共享私有数据的情况下协同训练全局模型。然而,恶意 (巴比乌斯) 客户端的存在对 FL 的鲁棒性构成重大挑战,尤其在客户端数据分布高度异构时。本文提出一种新型可抵御巴比乌斯攻击的 FL 优化问题,将自适应加权纳入聚合过程。不同于传统方法,我们的公式将聚合权重视为可学习参数,与全局模型参数共同优化。为求解该优化问题,我们发展交替最小化算法,在对抗攻击下具备强收敛性。我们分析了所提目标函数的巴比乌斯鲁棒性。我们在多数据集和多攻击情景下评估了算法性能,与最新可抵御巴比乌斯攻击的 FL 方法进行比较。实验结果表明,在高度异构数据和大比例恶意客户端环境中,本方法始终优于现有方法。