arXiv · cs.AI· Tiantong Sun, Jinlin Liu, Xingru Wei, Zequan Fang, Wei Chen, Qiang Yang, Xiaojin Zhang·· 5 小时前
FUSE：面向拜占庭利用的公平感知联邦学习更新筛选方法
FUSE: Fairness-aware Update Screening against Byzantine Exploitation in $q$-Fair Federated Learning
arXiv:2610.20264v1阅读论文 PDF ↗
仅依据论文摘要整理；未读取全文，实验条件、证明与基准细节请核对原文。
作者：Tiantong Sun, Jinlin Liu, Xingru Wei, Zequan Fang, Wei Chen, Qiang Yang, Xiaojin Zhang
研究任务与主要进展
作者提出 FUSE，一种面向公平联邦学习的结构感知拜占庭鲁棒聚合器，用于区分公平性带来的高损失客户端更新放大与恶意更新缩放。基于论文摘要，该方法使用小型可信标注数据集进行系数恢复，并结合径向筛选、锥一致性筛选和筛选后步长控制；在四个基准和七种拜占庭攻击下，摘要报告其最坏攻击准确率较各基准最强基线提升3.9–30.1个百分点，同时基本保留公平机制应保护的高损失诚实客户端影响。
阶段、条件与复现 · 深读核对
- 新能力对应什么具体任务与最小输入输出？
- 代码、模型、数据、许可与可用入口是否明确？
- 效果、总成本、失效条件与实际工作流如何验证？
这些是阅读核对问题；材料未说明的条件保留未知。请结合上方论文版本、资料范围与原文核验。
来源：arXiv · cs.AI · arxiv.org