通过服务器学习增强联邦学习的鲁棒性
计算机视觉与模式识别
2026-04-06 v1
摘要
本文探讨了使用服务器学习来增强联邦学习在客户端训练数据不独立且不完全分布的情况下的鲁棒性，以抵御恶意攻击。我们提出了一种启发式算法，结合服务器学习和客户端更新过滤与几何中位数聚合。我们通过实验演示，即使恶意客户端比例很高（甚至在某些情况下超过 50%），且服务器使用的数据规模小且可能为合成数据，其分布不必然接近客户端聚合后的数据分布，该方法也能显著提高模型准确率。
引用
@article{arxiv.2604.03225,
title = {VOSR: A Vision-Only Generative Model for Image Super-Resolution},
author = {Rongyuan Wu and Lingchen Sun and Zhengqiang Zhang and Xiangtao Kong and Jixin Zhao and Shihao Wang and Lei Zhang},
journal= {arXiv preprint arXiv:2604.03225},
year = {2026}
}
备注
Accepted by CVPR2026