READ-2351 Byzantine-robust Federated Learning through Spatial-temporal Analysis of Local Model Updat

最新推荐文章于 2024-08-22 17:47:11 发布

VivienneLuo

最新推荐文章于 2024-08-22 17:47:11 发布

阅读量386

点赞数 9

分类专栏： FL Security 文章标签：安全联邦学习

本文链接：https://blog.csdn.net/m0_51638853/article/details/135756371

版权

67 篇文章 22 订阅

订阅专栏

本文探讨了在FederatedLearning中，通过结合空间和时间维度分析本地模型更新来防御未目标攻击。研究提出了一种基于聚类和动量更新的策略，有效地检测并排除恶意客户端的异常行为，特别适用于跨设备环境中的动态安全挑战。

摘要由CSDN通过智能技术生成

论文名称	Byzantine-robust Federated Learning through Spatial-temporal Analysis of Local Model Updates
作者	Zhuohang Li; Luyang Liu; Jiaxin Zhang; Jian Liu
来源	ICPADS 2021
领域	Machine Learning - Federal learning - Security – untarget poisoning attack
问题	已有的防御方法依赖于客户端数据分布或客户端身份的先验知识
方法	基于聚类的方法，利用参数空间中的几何属性来检测和排除不正确的更新。同时，为了进一步处理具有时变行为的恶意客户端，根据动量更新推测，自适应地调整学习率

在这里插入图片描述

从空间维度上看，恶意客户端会显示出可识别的模式，这些空间特征可以潜在地用于检测和去除异常更新；从时间维度上看，在cross-device FL中，服务器每轮仅选择部分客户端进行通信，参与其中的恶意客户端数量则更是动态且高度可变的，所以还需要观察客户端的时间特征，如果某一客户端的当前更新明显偏离以前的情况，这可能说明参与通信的客户端状态发生了变化。

关注