.png){kind=icon}
返回
DOCAttack: Data-Oriented Community Attack in Decentralized Federated Learning
.png){kind=icon}
PRE
AI
DOI：10.1109/tnse.2026.3702609.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
去中心化联邦学习（DFL）依赖点对点通信，其收敛性高度敏感于非独立同分布（non-IID）客户端数据在网络中的传播方式。现有结构攻击仅针对拓扑结构，因此忽略了源于非-IID客户端数据与网络结构交互的漏洞。在本文中，我们提出了一个面向数据的社区攻击（DOCAttack）框架用于DFL。首先，该框架融合泄露的客户端数据特征与网络结构，学习数据感知的节点嵌入。然后，从这些嵌入中检测面向数据的社区。最后，在给定预算下优化节点和边的移除。实验结果表明，DOCAttack产生的结构破坏比仅基于拓扑的基线更强，并且持续隔离了这些基线未能分离的面向数据的社区。此外，这些破坏阻止了系统跨社区整合信息，导致学习性能下降和全局共识崩溃。
Keyword:
Decentralized federated learning
adversarial attack
network dismantling
data-oriented communities
graph representation learning
期刊
I
IF:
7.9
论文数:
2.6K
被引数:
10.0K
机构
引用论文
.png){kind=icon}
RSA: Byzantine-Robust Stochastic Aggregation Methods for Distributed Learning from Heterogeneous DatasetsRSA: 用于从异构数据集进行分布式学习的拜占庭鲁棒随机聚合方法
OAAI
OAAI分享收藏
分享收藏分享收藏
查看更多内容