科研之友
微信
新浪微博
Facebook
分享链接
摘要
联邦学习是一种分布式机器学习范式，其中节点的原始训练集不出本地，它们通过共享模型更新来协作训练机器学习模型。当前联邦学习领域中的隐私保护和拜占庭攻击检测研究大都独立展开，现有的拜占庭攻击检测方法不可直接应用于隐私保护环境，不符合联邦学习的实际应用需求。针对上述问题，提出一种可在数据非独立同分布和隐私保护环境下拜占庭鲁棒的联邦学习算法。首先，以差分隐私技术为模型更新(本地模型梯度信息)提供隐私保护；然后，基于节点上传的历史模型更新对节点当前状态进行可信度评估；最后，根据评估结果进行全局模型聚合。仿真实验结果表明，在节点训练集非独立同分布、隐私保护和拜占庭节点比例为20%～80%的联邦学习环境中，所提算法进行拜占庭节点检测的漏检率和误检率均为0%。同时，随着节点数量的增加，拜占庭节点检测的时间开销呈线性增长的趋势。与现有的拜占庭节点检测算法相比，所提算法在节点数据非独立同分布及模型隐私保护情况下可得到更高精度的全局模型。
- 单位
