灵敏度曲线最大化: 攻击分布式学习中的鲁棒聚合器
机器学习
2024-12-24 v1 信号处理
摘要
在分布式学习中，代理人旨在协作地解决全局学习问题。随着网络大小的增加，单个代理人被恶意或故障的可能性越来越大。这导致学习过程的退化或完全中断。经典的聚合方案在小污染率下容易崩溃，因此寻求鲁棒的聚合方案。尽管鲁棒聚合方案通常可以容忍更大的污染率，但许多被证明对精心设计的恶意攻击高度敏感。本文中，我们展示了灵敏度曲线(SC)，即来自稳健统计学的经典工具，如何用于系统性地推导对任意鲁棒聚合器的最优攻击模式，大多数情况下使其失效。我们展示了所提出攻击在多个模拟中的有效性。
引用
@article{arxiv.2412.17740,
title = {Sensitivity Curve Maximization: Attacking Robust Aggregators in Distributed Learning},
author = {Christian A. Schroth and Stefan Vlaski and Abdelhak M. Zoubir},
journal= {arXiv preprint arXiv:2412.17740},
year = {2024}
}