计算机应用

作者：林海力, 李京

单位：中国科学技术大学 计算机科学与技术学院，合肥 230027

关键词：联邦学习,后门,懒惰客户端,工作证明,数据异构

基金：中国科学院战略性先导科技专项（A类）(XDA19020102)

在对隐私保护的需求不断增长的当今社会，联邦学习正受到广泛关注。然而，在联邦学习中，服务器难以监管客户端的行为，致使懒惰客户端的存在为联邦学习的性能与公平性带来了潜在威胁。针对如何高效又准确地辨别懒惰客户端的问题，提出设置基于后门的双任务工作证明方法FedBD（FedBackDoor）。在FedBD中，服务器为参与联邦学习的客户端额外指定更易检测的后门任务，客户端在训练原任务的基础上训练后门任务，而服务器通过后门任务的训练情况间接监管客户端的行为。实验结果表明，在MNIST、CIFAR10等数据集上，相较于经典联邦平均算法FedAvg和先进算法GTG-Shapley（Guided Truncation Gradient Shapley），FedBD有一定优势。在CIFAR10数据集上，在懒惰客户端占比设置为15%时，FedBD比FedAvg的准确率提升可达10个百分点以上，比GTG-Shapley的准确率提升约2个百分点。此外，FedBD的平均训练时间仅为GTG-Shapley的11.8%，在懒惰客户端占比10%时辨别懒惰客户端的准确率可超过99%。可见，FedBD较好地解决了懒惰客户端难以监管的问题。

来源：2025年第3期

《计算机应用》期刊编辑部

查看计算机应用杂志2025年第3期