面向不可靠客户端的单次公平协作机器学习的鲁棒服务器防御
机器学习
2026-05-12 v1
摘要
协作机器学习 (CML) 使多个客户端在数据分布式环境下联合训练全局模型。为解决数据隐私与通信效率，单次 CML 正日益被采纳——客户端仅通过共享合成或处理后的代理数据与服务器通信一次。然而，单轮通信消除了服务器进行迭代纠正的可能，使学习过程对客户端不可靠性尤为脆弱。在此设置下，无论是恶意还是非恶意的不可靠客户端，都可能提供偏向特定群体的代理数据，从而损害全局模型的公平性并伤害少数或不利群体。在本工作中，我们提出基于双层优化 formulation 的服务器端防御框架。该方法学习客户端级权重以减轻有偏代理数据的影响，同时通过使用服务器处极小的可信根数据集强制公平约束。实验在基准数据集上表明，我们的方法在不可靠客户端提供有偏代理数据时，能显著提升公平性且几乎不损失准确率。此外，所提方法即便在不可靠客户端占据系统多数情况下仍有效，持续优于其他现有方法。
引用
@article{arxiv.2605.08616,
title = {Robust Server Defense Against Unreliable Clients in One-Shot Fair Collaborative Machine Learning},
author = {Chia-Yuan Wu and Frank E. Curtis and Daniel P. Robinson},
journal= {arXiv preprint arXiv:2605.08616},
year = {2026}
}
备注
Accepted at the 2nd International Conference on Federated Learning and Intelligent Computing Systems (FLICS 2026)