FedSSV：基于缩放Shapley值的安全联邦学习聚合客户端贡献方法

《IEEE Transactions on Network and Service Management》：FedSSV: Client Contribution for Secure Federated Learning Aggregation Using Scaled Shapley Values

　　

摘要：

联邦学习能够让多个客户端在不共享原始数据的情况下协作训练数据，从而在医疗保健等敏感领域保护隐私。由于其多智能体特性，联邦学习容易受到恶意攻击，即恶意客户端发送损坏的模型来操纵全局模型，从而导致医疗保健等关键安全领域的性能下降和结果失真。因此，需要一种强大的聚合框架来评估并权衡各客户端的更新内容，以减轻此类攻击。在本研究中，我们提出了FedSSV这一强大的聚合框架，它利用博弈论中的沙普利值方法来评估每个客户端对全局模型的影响，进而提升联邦学习的安全性与性能。FedSSV会根据客户端贡献的评估结果动态调整其更新权重，从而降低恶意客户端的影响。大量实验结果表明，FedSSV在多种应用场景中都能有效抵御各类投毒攻击，如比例攻击、高斯攻击和符号翻转攻击。实验还显示，无论是在独立同分布数据还是非独立同分布数据情况下，FedSSV都能保持稳定的预测精度。例如，在存在20%恶意客户端的比例攻击下，它在Fashion MNIST数据集上的准确率仍可达90%，在CIFAR-10数据集上为65%，而传统方法则会出现显著精度下降。