对抗环境下的联邦学习

论文提出新的联邦学习方案，即使大比例参与节点为恶意，也能抵抗最先进的后门攻击和模型降级攻击。该方案对模型更新做有偏量化，在鲁棒性、隐私、带宽效率和模型精度之间提供不同权衡。其差分隐私扩展保护参与方整个数据集，在严格隐私要求下效率与非隐私鲁棒方案相当，但对这两类攻击的鲁棒性更弱，提示差分隐私与鲁棒性可能存在根本性权衡。