Adaptive Byzantine-robust differentially private federated learning
联邦学习能够在数据本地私有的前提下实现跨设备协同训练, 但在实际应用中仍面临隐私泄露和投毒攻击两大安全瓶颈. 差分隐私和鲁棒聚合作为各自领域的主流防御方法, 在耦合应用时存在固有的内在冲突：差分隐私所注入的随机噪声一方面放大了良性更新的分布方差, 另一方面也为恶意更新的系统性偏移提供了掩护, 使得两者难以有效区分. 为此, 本文提出自适应拜占庭鲁棒差分隐私联邦学习方法 AByzDPFL, 旨在通过降低噪声维度并放大几何差异来提高可区分度. 在客户端侧, 基于Fisher信息的私有选择机制动态筛选关键参数坐标, 仅在该低维子空间中注入噪声并完成更新, 从而显著减少噪声维度, 降低良性模型的方差. 在服务器侧, 使用谱嵌入降维突出本征几何结构, 随后根据噪声尺度自适应聚类半径, 从而包容受噪声扰动的良性模型, 并有效剔除超出噪声范围的系统性偏移. 进一步地, 通过自适应中值范数裁剪抑制簇内的高幅值异常更新. 理论分析证明了所提方法的隐私损失和收敛性上界, 实验表明 AByzDPFL 在兼顾隐私性和鲁棒性的同时, 性能优于现有的主流基线.
Authors
- Qinnan Zhang (ORCID: https://orcid.org/0000-0001-9220-2694)
- Yongxin Tong
- Zuying Chai (ORCID: https://orcid.org/0000-0003-1449-9351)
- Wangjie Qiu (ORCID: https://orcid.org/0009-0003-9654-9515)
- Sheng Gao (ORCID: https://orcid.org/0000-0003-1591-0595)
- Yuhua Wang (ORCID: https://orcid.org/0000-0003-0114-2724)
- Jianming Zhu (ORCID: https://orcid.org/0000-0003-4923-9939)
- Zhiming Zheng
Publication Details
- Journal
- Scientia Sinica Informationis
- Published
- 2025-08-28
- DOI
- https://doi.org/10.1360/ssi-2025-0232
- Primary Topic
- Privacy-Preserving Technologies in Data
- Type
- article
- Field-Weighted Citation Impact
- 0.00