原创力文档摘要
摘要
联邦学习作为一种新型的分布式机器学习范例，利用分布式方式训练全局模型，能够
在无需集中原始数据的情况下协同训练全局模型，从而显著降低隐私泄露风险。然而，在
实际部署中，由于聚合服务器无法直接约束客户端行为，系统易受恶意客户端发起的拜占
庭攻击，导致模型性能下降甚至失效。如何有效检测并消除这些恶意客户端对全局模型的
影响，成为联邦学习中至关重要的挑战。现有防御方法通常依赖于恶意客户端在所有训练
轮次中占少数的假设或
摘要
摘要
联邦学习作为一种新型的分布式机器学习范例，利用分布式方式训练全局模型，能够
在无需集中原始数据的情况下协同训练全局模型，从而显著降低隐私泄露风险。然而，在
实际部署中，由于聚合服务器无法直接约束客户端行为，系统易受恶意客户端发起的拜占
庭攻击，导致模型性能下降甚至失效。如何有效检测并消除这些恶意客户端对全局模型的
影响，成为联邦学习中至关重要的挑战。现有防御方法通常依赖于恶意客户端在所有训练
轮次中占少数的假设或
文档评论（0）