两篇新研究论文解决了联邦学习（FL）中拜占庭攻击的挑战。第一篇论文介绍了投影降维（PDR）框架，该框架通过将梯度压缩到更小的子空间来加速鲁棒聚合，从而在不显著影响准确性的情况下降低计算开销。第二篇论文提出了一个新颖的优化问题，将聚合权重视为可学习参数，允许它们与全局模型联合优化，以提高拜占庭鲁棒性，尤其是在异构数据场景下。 AI
影响 这些论文提供了理论进展和实用方法，以增强分布式机器学习模型的安全性和效率。
排序理由 该集群包含两篇在arXiv上发表的学术论文，详细介绍了针对对抗性攻击提高联邦学习鲁棒性的新理论分析和方法。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2605.28335v1 Announce Type: new Abstract: Federated Learning (FL) enables multiple clients to collaboratively train models without sharing raw data, but it is highly vulnerable to Byzantine attacks. Existing robust approaches can neutralize these threats but incur substanti…
arXiv:2511.03529v2 Announce Type: replace Abstract: Federated Learning (FL) enables clients to collaboratively train a global model without sharing their private data. However, the presence of malicious (Byzantine) clients poses significant challenges to the robustness of FL, par…