| 论文名称 | FRL: Federated Rank Learning |
|---|---|
| 作者 | Hamid Mozaffari, Virat Shejwalkar, Amir Houmansadr |
| 来源 | USENIX Security 2023 |
| 领域 | Machine Learning - Federal learning - Security – poisoning attack |
| 问题 | 由于客户端的模型空间较大，恶意客户端可以轻易的对FL进行投毒攻击 |
| 方法 | FRL将客户端更新的空间从浮点数的连续空间减少到整数值的离散空间。 根据SuperMasks训练机制的思想，客户端利用其本地训练数据对全局模型的参数进行排序，服务器使用投票机制聚合客户端在每轮通信中提交的参数排名 |
阅读记录
总结
本文基于Supermask思想提出了一种新的FL框架。在FRL中，不同客户端共同寻找使得子网路性能最佳的Supermask，而非共同训练全局模型。在该过程中，由于客户端与服务器之间只传递全局模型中边的排名，大大缩减了恶意客户端的攻击空间，同时降低了客户端的通信开销。