科研之友
微信
新浪微博
Facebook
分享链接
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。
- 单位
