抗恶意节点干扰的高效稀疏模型学习方法
Byzantine-Robust Distributed Sparse Learning Revisited
- 本地用L1正则鲁棒估计，服务器做鲁棒聚合
- 在多种攻击下仍保持高精度估计与特征识别
- 适合高维数据的分布式学习场景
我们重新研究高维稀疏线性模型的拜占庭鲁棒分布式估计。通过结合本地ℓ₁-正则化鲁棒估计与服务器端鲁棒聚合，该框架适用于伪霍克比回归、分位数回归和稀疏SVM。我们证明所得估计量具有非渐近保证，在温和条件下达到近似最优统计速率，同时保持通信效率。模拟实验表明，在各种拜占庭攻击下，估计、支持恢复和分类准确率均表现强劲。
原文摘要 · Abstract (English)
We revisit Byzantine robust distributed estimation for high-dimensional sparse linear models. By combining local $\ell_1$-regularized robust estimation with robust aggregation at the server, the framework applies to pseudo-Huber regression, quantile regression, and sparse SVM. We show that the resulting estimators yield non-asymptotic guarantees and attain near-optimal statistical rates under mild conditions, while remaining communication-efficient. Simulations confirm strong robustness in estimation, support recovery and classification accuracy under various Byzantine attacks.
Thank you to arXiv for use of its open access interoperability. PaperDance 不是 arXiv 官方产品；中文卡片由大模型生成，请以原文为准。