.png){kind=icon}
返回
Probabilistic Byzantine Attack on Federated Learning
.png){kind=icon}
PRE
AI
DOI：10.1109/TSP.2025.3564842.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
受机器学习黑箱规避攻击严重影响的启发，本文研究了拜占庭攻击对联邦学习（FL）系统的脆弱性。现有研究主要在训练阶段使用单调的拜占庭攻击评估其防御策略，未能考虑公开数据集的特征。这一疏忽可能削弱对拜占庭防御策略的信心。本研究从拜占庭攻击者的角度探讨该问题，而非聚焦于系统设计者的缓解拜占庭攻击。以特定学习任务为例，我们采用最优概率拜占庭攻击策略进行检验，该策略扩展自[12]的研究范围。具体而言，我们确定了在测试阶段操纵样本分布所需的最低拜占庭攻击力度，以获得给定的拜占庭样本分布。然后，我们推导出在固定攻击力度约束下的最优和近优拜占庭样本分布。此外，通过获得联邦学习最优权重的闭式表达式，可以建立最优权重与联邦学习训练所得权重之间的联系。通过数值实验，我们证实了所提出的概率拜占庭攻击的有效性，其可作为反攻击防御策略的良好测试。
Keyword:
Byzantine attack
deep neural networks
distributed learning
federated learning.
期刊
IF:
13.7
论文数:
1.0W
被引数:
8.4W
.png){kind=icon}
查看更多内容