DART: A Solution for Decentralized Federated Learning Model Robustness Analysis

联邦学习（FL）已成为解决机器学习（ML）实践中固有的隐私问题的一种有前途的方法。然而，传统的FL方法，特别是遵循集中式FL（CFL）范例的方法，利用中央服务器进行全局聚合，存在瓶颈和单点故障等局限性。为了解决这些问题，提出了分散式FL（DFL）范例，它消除了客户端-服务器边界，使所有参与者都能参与模型训练和聚合任务。然而，与CFL一样，DFL仍然容易受到对抗攻击的影响，尤其是破坏模型性能的毒化攻击。虽然现有的关于模型鲁棒性的研究主要集中在CFL上，但在理解DFL范式的模型鲁棒性方面存在值得注意的差距。本文全面审查了针对DFL系统中模型鲁棒性的毒化攻击及其相应的对策。此外，提出了一种名为DART的解决方案，用于评估DFL模型的鲁棒性，并将其实施和集成到DFL平台中。通过广泛的实验，本文比较了CFL和DFL在不同毒化攻击下的行为，确定了影响DFL中攻击传播和有效性的关键因素。它还评估了不同防御机制的性能，并调查了是否CFL设计的防御机制与DFL兼容。实证结果提供了研究挑战的见解，并建议未来研究改进DFL模型的鲁棒性。

本文旨在解决分散式学习（DFL）范式下的模型鲁棒性问题，包括针对DFL系统的毒化攻击及其对策。

本文提出了一种名为DART的解决方案，用于评估DFL模型的鲁棒性，并将其实现和集成到DFL平台中。通过广泛的实验，比较了CFL和DFL在不同毒化攻击下的行为，找出了影响攻击传播和有效性的关键因素，并评估了不同防御机制的性能和兼容性。

本文介绍了针对DFL系统的毒化攻击及其对策，提出了一种用于评估DFL模型鲁棒性的解决方案DART，并将其实现和集成到DFL平台中。通过广泛的实验，比较了CFL和DFL在不同毒化攻击下的行为，找出了影响攻击传播和有效性的关键因素，并评估了不同防御机制的性能和兼容性。

近期的相关研究包括针对CFL的模型鲁棒性研究，以及其他针对DFL的攻击和防御研究。