RobustFSM：面向恶意客户端的联邦子模组最大化

子模组最大化是一种优化问题，受益于众多机器学习应用，其中我们寻求从极大数据集中寻找最佳的小型子集。我们关注联邦环境，在该环境中数据在拥有各自代表性定义的去中心化客户端上进行本地所有。这一环境需要重复聚合由客户端计算的局部信息。虽然主要动机是尊重客户端的隐私和自主性，但联邦环境对客户端的恶意行为极其脆弱：恶意客户端可能会共享虚假信息。一种类比是常规联邦学习中的后门攻击，但我们的挑战因子子模组最大化的独特特征而有所不同。我们提出了RobustFSM，一个对各种实际客户端攻击都具有鲁棒性的联邦子模组最大化解决方案。其性能通过使用真实数据集进行的实证评估研究得到 substantiated。数值结果表明，RobustFSM的解决方案质量在攻击严重时显著超过常规联邦算法。这种改进的程度取决于数据集和攻击情景，最高可达200%。