| 论文名称 | Byzantine-robust Federated Learning through Spatial-temporal Analysis of Local Model Updates |
|---|---|
| 作者 | Zhuohang Li; Luyang Liu; Jiaxin Zhang; Jian Liu |
| 来源 | ICPADS 2021 |
| 领域 | Machine Learning - Federal learning - Security – untarget poisoning attack |
| 问题 | 已有的防御方法依赖于客户端数据分布或客户端身份的先验知识 |
| 方法 | 基于聚类的方法，利用参数空间中的几何属性来检测和排除不正确的更新。同时，为了进一步处理具有时变行为的恶意客户端，根据动量更新推测，自适应地调整学习率 |
阅读记录
总结
- 从空间维度上看，恶意客户端会显示出可识别的模式，这些空间特征可以潜在地用于检测和去除异常更新；从时间维度上看，在cross-device FL中，服务器每轮仅选择部分客户端进行通信，参与其中的恶意客户端数量则更是动态且高度可变的，所以还需要观察客户端的时间特征，如果某一客户端的当前更新明显偏离以前的情况，这可能说明参与通信的客户端状态发生了变化。