联邦学习中的鲁棒知识蒸馏：对抗后门攻击
密码学与安全
2025-02-26 v2 人工智能
摘要
联邦学习（FL）能够在多个设备上进行协作模型训练，同时保护数据隐私。然而，它仍然容易受到后门攻击，恶意参与者可以借此破坏全局模型。现有的防御方法受到对数据异质性（非独立同分布数据）和恶意客户端比例的严格假设的限制，降低了其实用性和有效性。为克服这些局限性，我们提出了鲁棒知识蒸馏（RKD），这是一种新颖的防御机制，无需依赖限制性假设即可增强模型完整性。RKD集成了聚类和模型选择技术，以识别并过滤掉恶意更新，形成一个可靠的模型集成。然后，它采用知识蒸馏将来自该集成的集体见解传递给一个全局模型。广泛的评估表明，RKD能有效缓解后门威胁，同时保持高模型性能，在各种场景下均优于当前最先进的防御方法。
引用
@article{arxiv.2502.00587,
title = {Robust Knowledge Distillation in Federated Learning: Counteracting Backdoor Attacks},
author = {Ebtisaam Alharbi and Leandro Soriano Marcolino and Qiang Ni and Antonios Gouglidis},
journal= {arXiv preprint arXiv:2502.00587},
year = {2025}
}