基于 Byzantine 过滤的加密更新鲁棒性联邦学习
机器学习
2026-02-09 v2
摘要
联邦学习（FL）旨在保护数据隐私的同时训练协作模型。然而，其分布式 nature 仍引发隐私与安全问题，如因推断攻击导致敏感数据暴露，以及 Byzantine 行为对训练模型的影响。特别是，在实现安全聚合与 Byzantine 韧性方面仍存在挑战，因为现有解决方案往往独立地处理这些方面。本文我们提出了一种新方法，通过结合基于同态加密的隐私保护聚合与基于属性推理的元分类器进行 Byzantine 过滤来解决这些挑战。首先，遵循属性推理攻击的蓝图，我们在标记的阴影更新上训练一组过滤元分类器，模拟 FL 中多样化的 Byzantine 失效行为，包括后门、梯度反转、标签翻转和洗牌攻击。随后，这些元分类器的输出用于通过重新加权来抵消 Byzantine 加密更新。其次，我们提出了一种自动方法，用于选择针对 CKKS 加密体系的优化 kernel 和维度超参数，以考虑同态推理、聚合约束和效率。最后，我们通过在 FEMNIST、CIFAR10、GTSRB 和 acsincome 数据集上的大量实验，展示了该方法在抵御 Byzantine 参与者方面的有效性。更准确地说，我们的 SVM 过滤器在识别 Byzantine 更新方面准确率在 % 到 % 之间，同时在模型实用性和加密推理运行时间（分别为 到 秒和 到 秒）方面损失有限。
关键词
引用
@article{arxiv.2602.05410,
title = {Robust Federated Learning via Byzantine Filtering over Encrypted Updates},
author = {Adda Akram Bendoukha and Aymen Boudguiga and Nesrine Kaaniche and Renaud Sirdey and Didem Demirag and Sébastien Gambs},
journal= {arXiv preprint arXiv:2602.05410},
year = {2026}
}