TrajSyn：基于联邦模型轨迹的隐私保护数据蒸馏框架，用于服务器端对抗训练
机器学习
2025-12-18 v1
摘要
部署在边缘设备上的深度学习模型在日益增长的安全关键应用中发挥着重要作用。然而，这些模型对对抗性扰动的脆弱性构成了重大风险，尤其是在 Federated Learning (FL) 场景下，数千个客户端分布了相同的模型。虽然对抗训练是一种强大的防御措施，但由于严格的客户端数据隐私约束以及边缘设备上计算资源有限，在 FL 中应用对抗训练存在困难。本文引入 TrajSyn，一个隐私保护框架，通过从客户端模型更新的轨迹中合成代理数据集，而无需访问原始客户端数据，即可在服务器端实现有效的对抗训练。我们表明，TrajSyn 在图像分类基准测试中持续改进对抗鲁棒性，且不会增加客户端设备的额外计算负担。
引用
@article{arxiv.2512.15123,
title = {TrajSyn: Privacy-Preserving Dataset Distillation from Federated Model Trajectories for Server-Side Adversarial Training},
author = {Mukur Gupta and Niharika Gupta and Saifur Rahman and Shantanu Pal and Chandan Karmakar},
journal= {arXiv preprint arXiv:2512.15123},
year = {2025}
}