一种基于自适应加权的鲁棒联邦学习算法

摘要：

联邦学习(Federated Learning,FL)允许多个数据所有者联合训练机器学习模型,而无需他们共享私有训练数据.然而,研究表明,FL容易同时遭受拜占庭攻击和隐私泄露威胁,现有的研究都没有很好地解决这一问题.在联邦学习场景中,保护FL免受拜占庭攻击,同时考虑性能、效率、隐私、攻击者数量、简单可行等问题,是一个极具挑战性的问题.为解决这一问题,基于l2范数和两次归一化方法提出了一种隐私保护鲁棒联邦学习算法DP-FedAWA.提出的算法不需要训练过程之外的任何假设,并且可以自适应地处理少量和大量的攻击者.无防御设置下选用DP-FedAvg作为比较基线,防御设置下选用Krum和Median作为比较基线.MedMNIST2D数据集上的广泛实验证实了,DP-FedAWA算法是安全的,对恶意客户端具有很好的鲁棒性,在Accuracy,Precision,Recall和F1-Score等性能指标上全面优于现有的Krum和Median算法.

关键词：自适应加权、l2范数距离、两次归一化、拜占庭攻击、鲁棒联邦学习、差分隐私

所属期刊栏目：50

分类号：TP391(计算技术、计算机技术)

在线出版日期：2023-09-06（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：799-807