Year: 2025
Type: article
Abstract: 去中心化联邦学习不依赖中央服务器, 解决了传统联邦学习中存在的服务器单点故障问题, 但同时也带来了更严重的隐私泄露和拜占庭攻击风险. 现有的隐私保护与拜占庭鲁棒研究主要面向传统联邦学习, 难以适用于去中心化场景. 为此, 本文提出了一种隐私保护和拜占庭鲁棒的去中心化联邦学习方案SDFL. 该方案采用客户端-委员会架构, 通过随机选择的委员会进行模型聚合, 基于可验证秘密共享和零知识证明技术设计隐私保护与抗拜占庭攻击方法. 安全性分析表明SDFL在去中心化场景下兼具隐私性与拜占庭鲁棒性; 采用多种机器学习模型在MNIST和Fashion-MNIST数据集上的实验结果进一步验证了SDFL能够有效抵抗拜占庭攻击, 同时保障模型分类准确率与高效性.
Source: Scientia Sinica Informationis
Authors: Hanyu QUAN, Yanyi QIAN, Hui TIAN, Xuefeng LIU, Yue LI, Jianzong WANG, Jia ZHONG
Language: English
Subfield: Artificial Intelligence
Field: Computer Science
Domain: Physical Sciences
Open Access status: bronze
OpenAlex ID: W7091716240