FedGraph：图聚合防御联邦LLM微调后门

2026年10月15日，arXiv Artificial Intelligence 刊出 Xi Chen 等作者的预印本，提出 FedGraph——一种基于图聚合的框架，用于防御联邦大语言模型微调中的后门攻击。报道称，其思路源于恶意客户端的模型更新高度一致、良性客户端则更分散；该方法将客户端建模为动态图中的节点并提取结构特征，在聚合时识别并抑制恶意贡献。据该预印本，FedGraph 将攻击成功率降至 10% 以下，平均检测准确率 95.5%，误报率 2.33%，据称显著优于现有联邦学习防御方法。该文被接收于 ICLR 2026 Workshop on Principled Design for Trustworthy AI，但作者声明这是作者自有的预印本，并非官方会议版本。上述数据与结论均出自该预印本自述，尚未见其他来源独立验证。

AI 根据报道生成 · 18 分钟前更新

还没有足够的连续观测数据，暂不绘制趋势。