byzantine-robustness

本文介绍了Krum-Proxy，一种选择感知的后门攻击，通过优化对抗性更新以模拟良性几何，绕过联邦学习中基于距离的鲁棒聚合方法（如Krum），在保持干净准确率的同时实现高攻击成功率。

本文揭示了在拜占庭鲁棒分布式学习中隐私对泛化误差的非单调影响：在高噪声（强隐私）区域，增加隐私会降低泛化误差；而在低噪声（弱隐私）区域，增加隐私则会恶化泛化效果。

本文介绍了“独裁客户端”——联邦学习中一类新型恶意参与者，能够抹去其他客户端的贡献同时保留自己的贡献——并提供了对其影响模型收敛的理论分析，包括多个对抗性客户端的场景。