Nov, 2023
AGRAMPLIFIER: 通过本地更新放大来防御联邦学习中的毒化攻击
AGRAMPLIFIER: Defending Federated Learning Against Poisoning Attacks Through Local Update Amplification
Zirui Gong, Liyue Shen, Yanjun Zhang, Leo Yu Zhang, Jingwei Wang...
TL;DR提出了一种名为 AGRAMPLIFIER 的新方法，通过识别每个梯度更新最具压制性的特征，增强本地更新的道德性，改善对恶意和良性更新的识别效果，以提高现有 AGR 机制的鲁棒性、准确度和效率。通过与主流的 AGR 机制结合，与七种不同领域的数据集对抗七种典型的中毒攻击进行广泛评估，一致展示了鲁棒性、准确度和效率的提升，平均增益分别为 40.08%、39.18% 和 10.68%。