Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Phòng ngừa các cuộc tấn công ngộ độc mô hình địa phương đối với học tập phân tán chống Byzantine
Tóm tắt
Bài viết đưa ra một mô hình phòng vệ hiệu quả để chống lại cuộc tấn công ngộ độc mô hình địa phương trong học tập phân tán (FL) mà không cần sử dụng tập dữ liệu phụ, từ đó nâng cao thêm khả năng chống chịu của các quy tắc tổng hợp mạnh mẽ trước các cuộc tấn công ngộ độc mô hình địa phương. Kết quả thí nghiệm cho thấy rằng phương án phòng vệ của chúng tôi có thể đạt được hiệu suất phát hiện tốt hơn và mất ít thời gian phát hiện hơn trong các cuộc tấn công ngộ độc mô hình địa phương. Vui lòng tham khảo tài liệu bổ sung để biết thêm chi tiết kỹ thuật.
Từ khóa
#học tập phân tán #ngộ độc mô hình #cuộc tấn công địa phương #phòng vệ #tổng hợp mạnh mẽTài liệu tham khảo
McMahan B, Moore E, Ramage D, Hampson S, Arcas B A. Communication-efficient learning of deep networks from decentralized data. In: Proceedings of the 20th International Conference on Artificial Intelligence and Statistics, PMLR. 2017, 1273–1282
Kairouz P, McMahan B, Avent B, Bellet A, Bennis M, Bhagoji A N, Bonawitz K. Advances and open problems in federated learning. 2019, arXiv preprint arXiv: 1912.04977
Blanchard P, El Mhamdi E M, Guerraoui R, Stainer J. Machine learning with adversaries: Byzantine tolerant gradient descent. In: Proceedings of the 31st International Conference on Neural Information Processing Systems. 2017, 118–128
Yin D, Chen Y D, Kannan R, Bartlett P. Byzantine-robust distributed learning: towards optimal statistical rates. In: Proceedings of the 35th International Conference on Machine Learning. 2018, 5650–5659
Fang M H, Cao X Y, Jia J Y, and Gong Z Q. Local model poisoning attacks to Byzantine-robust federated learning. In: Proceedings of the 29th Usenix Security Symposium. 2020
Li S, Cheng Y, Wang W, Liu Y, Chen T J. Learning to detect malicious clients for robust federated learning. 2020, arXiv preprint arXiv: 2002.00211
Zong B, Song Q, Min M R, Cheng W, Lumezanu C, Cho D, Chen H F. Deep autoencoding gaussian mixture model for unsupervised anomaly detection. In: Proceedings of the 27th International Conference on Learning Representations. 2018