May, 2023

拜占庭 - 鲁棒分布式学习的最佳批量大小

PDF
TL;DR研究了在固定梯度计算次数的情况下，当存在拜占庭式攻击时，Byzantine-robust distributed learning 中的最佳批处理大小应该增加，提出了一种新的 BRDL 方法 ByzSGDnm，可以在大批处理案例中减轻模型准确性下降问题，并在拜占庭攻击情况下证明其收敛性。
byzantine-robust distributed learningbatch sizestochastic gradient descentmodel accuracybyzsgdnm
发现论文，激发创造
  • 拜占庭分布式学习的隐形漏洞

    本文提出了一种新的聚合规则 Bulyan，可以有效地保护分布式随机梯度下降算法免受对抗攻击，缩小攻击者留下的空间，并提高算法的收敛性能。

    Feb, 2018

  • 具有拜占庭攻击鲁棒性的联邦方差减少随机梯度下降

    本文针对分布式网络下存在 Byzantine 攻击的有限和优化学习问题，提出了一种基于几何中位数的抗攻击分布式学习方法 Byrd-SAGA，通过减小随机梯度的方差来实现对抗攻击的鲁棒性和线性快速收敛性。实验结果表明，相较于分布式 SGD 方法，该方法具备更强的抗攻击性和更快的收敛速度。

    Dec, 2019

  • 拜占庭容错机器学习

    本文研究了分布式机器学习中的拜占庭错误容错问题，提出了基于 Krum 的更新规则来保证算法的鲁棒性和收敛性。

    Mar, 2017

  • 拜占庭容错分布式学习：追求最优的统计速率

    本文针对分布式学习中的安全问题，提出了基于中位数和截尾均值运算的两种鲁棒性分布式梯度下降算法，并证明了这些算法在强凸、非强凸和光滑非凸损失函数下均能达到次优统计误差率，并且进一步提出了一种基于中位数的分布式算法，可在一轮通信下达到与鲁棒性分布式梯度下降算法相同的最优误差率，实现更好的通信效率。

    Mar, 2018

  • 在对抗性环境中的分布式统计机器学习：拜占庭梯度下降

    本文研究在对抗性场景下，如何以拜占庭容错的方式进行分布式统计机器学习，以解决联邦学习中受到威胁的问题。我们提出了一种基于梯度汇聚的方法，在容忍拜占庭故障的同时，实现了参数的准确估计，算法的时间复杂度为 $O ((Nd/m) logN)$，通信成本为 $O (md logN)$。此外，我们还将该方法应用于线性回归问题。

    May, 2017

  • BRIDGE: 拜占庭容错的分布式梯度下降算法

    本文介绍了一种可扩展的拜占庭容错分布式机器学习框架（BRIDGE），其提供了一些算法收敛和统计收敛保证，适用于强凸问题和一类非凸问题，并在大规模分散学习实验中证明其可扩展性和实用性。

    Aug, 2019

  • 在分布式 SGD 中结合差分隐私和拜占庭容错

    本文研究了在标准参数服务器架构下，分布式 SGD 算法能否在部分节点受到 Byzantine 攻击，另一部分节点提供加噪的信息以保证 DP 的情况下，学习一个准确的模型。研究发现，在保证 DP 的情况下，现有的对于分布式 SGD 在 Byzantine 错误下的收敛性结果是无效的；通过重新调整学习算法，本文提供了关键性见解，基于 BR 的理论提供了近似收敛保证。

    Oct, 2021

  • 具有随机梯度噪声独立学习误差的拜占庭鲁棒型分散式随机优化

    该研究探讨了分布式网络中拜占庭鲁棒随机优化问题，其中每个代理定期与其邻居通信以交换本地模型，然后通过随机梯度下降（SGD）更新其本地模型。通过引入两种方差减小方法（SAGA 和 LSVRG），该方法在消除了随机梯度噪声的负面影响后，实现了线性收敛速度和随机梯度噪声独立的学习误差，对基于总变异（TV）范数正则化和随机子梯度更新的方法具有最优的学习误差表现，并在广泛的拜占庭攻击实验中得到了验证。

    Aug, 2023

  • 高维度分布式梯度下降与任意数量的拜占庭攻击者

    我们设计了一个适用于高维问题的新方法，可以在任意数量的拜占庭攻击者下进行高效分布式学习，并采用半验证的均值估计方法实现，通过从工作机上传的梯度向量估计均值值的分量以及通过辅助数据集估计子空间内的分量，最终以我们的新方法作为分布式学习聚合器。理论分析表明，该新方法具有极小极大统计速率，并且与之前的方法相比，在维度依赖性方面得到了显着改进。

    Jul, 2023

  • 适用于异构数据的高维拜占庭鲁棒随机梯度下降

    研究了在分布式随机梯度下降的标杆攻击下，通过采用异构数据模型和基于多项式时间的离群值过滤程序进行梯度的鲁棒均值估计，提出了一种新的矩阵集中结果，并且发现了在平稳强凸和非凸目标下，我们的算法可以达到和贝叶斯自由设置中的 SGF 相同的收敛速度，并且可以容忍达到 1/4 的标杆式工作者。

    May, 2020