分散学習2026/8/23arXiv:2608.22552

モデル整合性を保証するビザンチン耐性を持つ分散型フェデレーテッドラーニング

Model-Consistent Byzantine-Resilient Decentralized Federated Learning for Collaborative Missions

分散型フェデレーテッドラーニングにおいて、全ノードが同じモデル更新を集約する非同期コンセンサスプロトコルと二重領域の信頼スコアリングを導入し、ビザンチン攻撃下でもグローバルなモデル整合性を維持する手法を提案した。

詳しい要約

1. どんなもの？

本論文は、分散型連合学習（DFL）におけるグローバルモデル整合性を保証する新しいByzantine耐性アーキテクチャDFL-Cを提案する。DFL-Cは、非同期共通部分集合（ACS）コンセンサスプロトコルをDFLワークフローに統合し、全ノードが同一のモデル更新集合を集約することで整合性を実現する。さらに、データ領域のByzantine操作（モデルポイズニング攻撃など）に対抗するための二領域信頼スコアリング機構を実装する。

2. 先行研究と比べてどこがすごい？

既存のDFLソリューションはグローバルモデル整合性を保証せず、モデルの分岐が意思決定の統一性や安全性を損なう。また、分散ネットワークトポロジと弱い同期性を悪用するByzantine攻撃（equivocationやモデルポイズニング）に対して脆弱である。DFL-Cは、ACSコンセンサスを導入することで整合性を確保し、二領域信頼スコアリングにより攻撃耐性を向上させる点が新しい。

3. 技術・手法の肝は？

DFL-Cの核となる手法は、(1) ACSコンセンサスプロトコルをDFLに統合し、全ノードが同一のモデル更新集合を集約して整合性を確立する点、(2) データ領域のByzantine操作に対抗する二領域信頼スコアリング機構を実装し、コンセンサスプロトコルの実行時間を削減する点である。

4. どうやって有効だと検証した？

実験により、DFL-CがByzantine挙動下でもモデル精度を維持し、グローバルモデル整合性を達成し、適度なコンセンサスオーバーヘッドで動作することを示した。また、最先端のDFLソリューションBALANCE（Fang et al.）と比較し、非ターゲット型モデルポイズニング攻撃に対して高いモデル精度を達成し、バックドア攻撃に対して同等の耐性を示した。特に非IIDシナリオで優位性が拡大した。

5. 議論はある？

要旨からは、DFL-Cの限界やトレードオフに関する議論は不明である。ただし、コンセンサスオーバーヘッドが存在すること、二領域信頼スコアリングが特定の攻撃にのみ有効である可能性などが考えられるが、要旨には明記されていない。

6. 次に読むべき論文は？

要旨で参照されているBALANCE（Fang et al.）が関連研究として挙げられる。また、分散型連合学習におけるByzantine耐性やコンセンサスプロトコルに関する一般的な研究（例：Byzantine fault tolerance, asynchronous consensus）が関連する。

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Yue Li, Sudip Bhujel, Cameron Lira, Ning Wang, Yang Xiao

分類: cs.DC, cs.CR, cs.LG

原文アブストラクト

Decentralized federated learning (DFL) is a promising paradigm for autonomous nodes to collaboratively train AI models without relying on a central server. However, existing DFL solutions do not guarantee global model consistency, a critical requirement for collaborative mission-critical scenarios where model divergence undermines decision uniformity and safety. This lack of consistency also amplifies vulnerability to Byzantine adversaries, who exploit the decentralized network topology and weak synchrony to perform equivocation and model poisoning attacks against individual victims. This paper introduces DFL-C, a novel Byzantine-resilient DFL architecture that enables decentralized nodes to perform collaborative training with global model consistency. At its core, DFL-C integrates an asynchronous common subset (ACS) consensus protocol into the DFL workflow to ensure all nodes aggregate a uniform set of model updates to establish global model consistency, despite individual Byzantine equivocation. DFL-C further implements a dual-domain trust scoring mechanism to provide resilience against data-domain Byzantine manipulations including model poisoning attacks. This mechanism complements the consensus protocol, significantly reducing the latter's runtime. Our experimental results demonstrate that DFL-C maintains model accuracy while achieving global model consistency under Byzantine behaviors with moderate consensus overhead. Notably, when compared with the state-of-the-art DFL solution BALANCE (Fang et al.) that does not provide model consistency, DFL-C achieves better model accuracy against untargeted model poisoning attacks and comparable resilience against backdoor attacks, with the advantage widened under non-IID scenarios.

arXivで原文を読む →arXiv概要ページ

← 論文一覧