SDFL

新的联邦学习方法可抵御标签翻转攻击 · arXiv论文

研究人员开发了一种新颖的鲁棒半分布式联邦学习方法，专门用于解决标签翻转攻击。该方法在最近的arXiv论文中进行了详细介绍，通过结合鲁棒的验证效用分数以及基于方向和范数的质量评估，引入了同伴相对更新筛选。在MNIST数据库上进行模拟攻击者的评估表明，即使在数据异构的条件下，该方法也能在拒绝恶意更新的同时保留大部分良性更新，并保持高准确率。