Do We Really Need to Design New Byzantine-robust Aggregation Rules?
联邦学习（FL）允许多个客户端在服务器协调下协同训练全局机器学习模型，而无需交换私有训练数据。然而，其分布式特性使其容易受到投毒攻击：恶意客户端可通过发送篡改后的本地模型更新来操纵全局模型。为此，学术界提出了多种针对拜占庭故障的鲁棒聚合规则
#aggregation
共收录 2 条相关情报。
← 返回所有主题Byzantine Accountability Without Consensus: Strong Eventual Consistency for Non-Associative, Stochastic, Robust Aggregation
本文提出了一种在无中央协调器且无需共识的情况下实现拜占庭容错鲁棒聚合的方法。现有的拜占庭鲁棒聚合规则（如 multi-Krum）通常依赖中央协调器，且因其全局耦合、非结合性和不连续性而难以去中心化——微小的扰动可能导致输出突变。作者提出的