Sigil：基于梯度注入的U型分片联邦学习服务器端强制水印

在分片联邦学习（SFL）及其U型变体中，服务器的功能受到严格限制。虽然这增强了客户端的隐私保护，但也使服务器在恶意客户端的攻击下高度脆弱。确保此类能力受限服务器的知识产权保护 presents a dual challenge：依赖于客户端合作的水印方案在对抗性环境下不可靠，而传统服务器端水印方案因服务器无法访问关键元素（如模型参数或标签）而在技术上不可行。为此，本文提出Sigil，一种专为能力受限服务器设计的强制水印框架。Sigil将水印定义为对服务器可见激活空间的统计约束，并通过梯度注入将水印嵌入客户端模型中，而无需数据知识。此外，我们设计了自适应梯度裁剪机制，以确保水印过程既强制又隐形，有效抵御现有的梯度异常检测方法以及一种特定设计的自适应子空间移除攻击。通过在多个数据集和模型上的大量实验表明，Sigil在忠实性、鲁棒性和隐形性方面均表现出色。