应对联邦学习中的自私客户端
机器学习
2025-10-03 v1 人工智能
分布式、并行与集群计算
摘要
联邦学习（FL）是一种分布式机器学习范式，允许参与者在不透露本地数据的情况下协同训练模型。然而，当FL部署到实际场景时，一些聪明的客户端会故意偏离标准训练过程，使全局模型倾向于他们的本地模型，从而优先考虑他们的本地数据分布。我们将这种新型不良行为的客户端称为自私客户端。本文提出了一种针对FL服务器的稳健聚合策略，以缓解自私行为的影响（简称RFL-Self）。RFL-Self 包含一种创新方法，用于从所接收的更新中恢复（或估计）自私客户端的真实更新，利用每轮更新的鲁棒统计量（范数中位数）进行恢复。通过包括恢复后的更新进行聚合，该策略对自私行为具有强大的鲁棒性。我们的实验结果基于MNIST和CIFAR-10数据集得出，表明仅有2%的客户端行为自私即可使准确率下降最高可达36%，而RFL-Self 能在不降低全局模型性能的前提下缓解这一影响。
引用
@article{arxiv.2407.15402,
title = {Tackling Selfish Clients in Federated Learning},
author = {Andrea Augello and Ashish Gupta and Giuseppe Lo Re and Sajal K. Das},
journal= {arXiv preprint arXiv:2407.15402},
year = {2025}
}
备注
10 pages, 16 figures. European Conference on Artificial Intelligence (ECAI) 2024