Thomas Boudou

拜占庭故障比数据投毒对分布式学习中的泛化能力损害更大

一篇题为“Robust Distributed Learning 的严格稳定性界限：拜占庭故障比数据投毒对泛化能力的损害更大”的新研究论文，作者是 Thomas Boudou，探讨了不同威胁模型对鲁棒分布式学习算法泛化能力的影响。研究表明，拜占庭故障（允许任意损坏的通信）与数据投毒（一种仅限于本地训练数据的较弱形式的损坏）相比，会导致泛化率明显更差。这一发现源于详细的算法稳定性分析，揭示了这两种威胁模型在泛化保证方面存在根本性差距。