该研究探讨了在Byzantine设置下使用鞍点来最小化非凸损失函数的鲁棒分布式学习算法，提出了一种名为ByzantinePGD的算法来逃脱鞍点并收敛到真实局部最小值，通过三种鲁棒梯度估计器的性能特征，论证了它们在低维和高维时的近最优性。

Jun, 2018

本文提出了一种适用于异构数据集的分布式学习的鲁棒性随机次梯度方法——Byzantine-Robust Stochastic Aggregation (RSA)方法，用来应对Byzantine工人的攻击。RSA方法不依赖于数据是独立同分布的假设，具有更广泛的适用性。理论上，RSA收敛到一个接近最优解的解决方案，学习错误取决于Byzantine工作人员数目，收敛速率与没有Byzantine工人的随机梯度下降方法相同。数值实验表明，RSA具有竞争性的性能和与现有算法相比较的复杂度降低。

Nov, 2018

针对联邦学习中的拜占庭攻击和不同数据分布下聚合规则的局限性问题，提出一种名为GAIN的梯度分解方案，能够适应异构数据集并改进现有鲁棒算法的并行训练方法。

Feb, 2023

本研究提出了一种新的联邦学习聚合方案FLANDERS，该方案采用矩阵自回归预测模型，将实际观测值与预测值进行比较，识别恶意客户端，从而提高对拜占庭攻击的鲁棒性，与现有防御策略相比，FLANDERS在极端攻击情况下效果显著。

Mar, 2023

本文讨论了联邦学习中拜占庭机器的对抗攻击问题，提出了一种具有鲁棒性的迭代联邦聚类算法来识别非拜占庭机器的集群成员身份并优化每个集群学习的模型。

Jun, 2023

本文提出了一种强大的聚合方法，用于联邦学习，可以有效地应对恶意拜占庭攻击，每个用户可以通过多个步骤来更新模型参数，然后将其直接推送到聚合中心，聚合中心利用几何中位数将用户的模型参数进行组合，并通过严格的证明表明，只要恶意攻击者的比例低于一半，我们提出的方法可以达到零最优间隔，并呈线性收敛性。数值结果验证了我们提出方法的有效性。

Aug, 2023

提出了基于差分隐私机制的稀疏化和动量驱动的方差减少方法，以防御拜占庭攻击，并保证演算法的客户端隐私保障。通过与现有方法的比较实验证明了该框架提高了系统的强韧性，并取得了较强的隐私保证。

Sep, 2023

本研究解决了在联邦学习中存在的攻击和数据异质性导致的学习偏差问题。提出了一种新的联邦学习方法——联邦规范化梯度算法（Fed-NGA），该算法通过规范化本地梯度为单位向量来降低聚合的计算复杂性，并能够在无最优性间隙的情况下同时适应非凸损失函数和非IID数据集。实验结果表明，Fed-NGA在时间复杂性和收敛性能上优于现有基线方法。

Aug, 2024

本研究针对现有联邦学习系统在拜占庭攻击下的脆弱性，提出了一种层自适应稀疏模型聚合(LASA)的方法。该方法通过预聚合稀疏化和层级自适应聚合相结合，提高了系统的鲁棒性，实验结果证实了其在多种数据集下的有效性，具有重要的实用价值。

Sep, 2024

本研究解决了联邦学习中由于拜占庭攻击而导致的模型性能下降的问题。提出的创新性在于针对鲁棒性协议（RoFL）的两个Sybil攻击，分析了其优缺点，并提出了未来测试和改进的建议。这项研究的发现有助于提高联邦学习框架在面对恶意攻击时的鲁棒性。

Oct, 2024