基于损失函数的客户端聚类：对抗攻击下的鲁棒性联邦学习
机器学习
2026-04-30 v4 人工智能
摘要
联邦学习（FL）通过在多个客户端之间进行协作模型训练，实现了无需共享私人数据的数据驱动方法。我们考虑联邦学习场景，其中FL客户端受到对抗性（ Byzantine）攻击，而FL服务器端信任且拥有可靠的侧数据集。这可能对应于服务器在联邦之前拥有可靠数据，或存在暂时承担服务器角色的可信客户端。我们的方法仅需要两个诚实的参与者，即服务器和一个客户端，即可有效运行，且无需先验地知道恶意客户端的数量。理论分析表明，即使在强大的拜占康式攻击下，算法也具有有界的最优性间隙。实验结果表明，我们的算法在包括标签翻转、符号翻转和高斯噪声添加等各种攻击策略下，均显著优于Mean、Trimmed Mean、Median、Krum和Multi-Krum等标准和鲁棒性联邦学习基线方法。在MNIST、FMNIST和CIFAR-10基准测试中使用Flower框架进行评估。
引用
@article{arxiv.2508.12672,
title = {Robust Federated Learning under Adversarial Attacks via Loss-Based Client Clustering},
author = {Emmanouil Kritharakis and Dusan Jakovetic and Antonios Makris and Konstantinos Tserpes},
journal= {arXiv preprint arXiv:2508.12672},
year = {2026}
}
备注
Accepted at the 3rd Workshop on Advancements in Federated Learning (WAFL@ECML-PKDD 2025)