围城下的稀疏化：面向通信高效联邦学习的双层防御机制
密码学与安全
2026-03-03 v5 机器学习
摘要
梯度稀疏化虽然缓解了联邦学习中的通信瓶颈，但从根本上改变了模型更新的几何景观。我们揭示，由此产生的高维正交性使得传统基于欧几里得距离的鲁棒聚合指标在数学上模糊不清，形成了‘稀疏性与鲁棒性权衡’，而对手正是利用这一漏洞规避检测。为解决这一结构性矛盾，我们提出SafeSparse——一种 consensus 恢复框架，将防御解耦为拓扑维度和语义维度。不同于以往将稀疏化与安全正交处理的方式，SafeSparse 引入：(1)基于 Jaccard 相似度的结构感知校准机制，用于过滤由索引攻击引起的拓扑异常值；(2)基于密度聚类的方向语义对齐模块，用于中和不依赖幅度的攻击。理论上，我们为 SafeSparse 建立了收敛保证。广泛的实验在多个数据集和攻击场景下表明，SafeSparse 在协同投毒情况下可恢复高达 25.7% 的全局准确率，显著缩小了通信高效联邦学习中的漏洞间隙。
关键词
引用
@article{arxiv.2505.01454,
title = {Sparsification Under Siege: Dual-Level Defense Against Poisoning in Communication-Efficient Federated Learning},
author = {Zhiyong Jin and Runhua Xu and Chao Li and Yizhong Liu and Jianxin Li and James Joshi},
journal= {arXiv preprint arXiv:2505.01454},
year = {2026}
}