[論文レビュー] Resilient Federated Chain: Transforming Blockchain Consensus into an Active Defense Layer for Federated Learning

Mario García-Márquez, Nuria Rodríguez-Barroso+2 more|arXiv (Cornell University)|Feb 25, 2026

Adversarial Robustness in Machine Learning被引用数 0

ひとこと要約

RFCはFederated Learningのミニングの冗長性をアクティブな防御として活用し、敵対的攻撃に対する柔軟で非微分可能な評価指標とロバストなイン・プール集約を実現する。

ABSTRACT

Federated Learning (FL) has emerged as a key paradigm for building Trustworthy AI systems by enabling privacy-preserving, decentralized model training. However, FL is highly susceptible to adversarial attacks that compromise model integrity and data confidentiality, a vulnerability exacerbated by the fact that conventional data inspection methods are incompatible with its decentralized design. While integrating FL with Blockchain technology has been proposed to address some limitations, its potential for mitigating adversarial attacks remains largely unexplored. This paper introduces Resilient Federated Chain (RFC), a novel blockchain-enabled FL framework designed specifically to enhance resilience against such threats. RFC builds upon the existing Proof of Federated Learning architecture by repurposing the redundancy of its Pooled Mining mechanism as an active defense layer that can be combined with robust aggregation rules. Furthermore, the framework introduces a flexible evaluation function in its consensus mechanism, allowing for adaptive defense against different attack strategies. Extensive experimental evaluation on image classification tasks under various adversarial scenarios, demonstrates that RFC significantly improves robustness compared to baseline methods, providing a viable solution for securing decentralized learning environments.

研究の動機と目的

• 分散学習における信頼できるAIを促進するため、敵対的更新とデータ改ざんに対するFLの耐性を強化する。
• PoFLのプール化冗長性をブロックチェーン対応FLフレームワーク内のアクティブ防御層として活用する。
• さまざまな攻撃戦略に対抗するためのモジュール式・調整可能な集約・評価コンポーネントを導入する。
• 複数の画像分類タスクにおいてビトゥイン機構やバックドア攻撃に対する堅牢性の改善を実証する。

提案手法

• Disjointなマイニングプールを用いてPoFLを構築し冗長性と障害分離を作り出す。
• 単なる精度を超えた調整可能なハイパーパラメータEとしてコンセンサスメトリクスを扱い、モデル評価を一般化する。
• ソースでの悪意ある更新に対抗するロバストなイン・プール集約子（例：Krum）を組み込む。
• 固定ルールから集約(R)と評価指標(E)を分離し、柔軟な防御設定を可能にする。
• Eに基づいて最も性能の良いプールモデルを選択し、それを新しいグローバル状態としてブロックチェーンにコミットする。
• 複数のデータセット、攻撃（ビトリネさえおよびバックドア攻撃）とベースライン（FedAvg、Krum、Bulyan、GeoMed）を含む実験フレームワークを提供する。

Figure 1: Descriptive diagram showing the architecture of a FL system. Source: [ 26 ] .

実験結果

リサーチクエスチョン

• RQ1 PoFLのプール化冗長性をどのように活用してFLを積極的に敵対的クライアントから守ることができるか。
• RQ2 RFCは標準の集約ルールと比較してビトリネ機とバックドア攻撃に対する堅牢性を改善するか。
• RQ3 集約ルールと評価指標をモジュラーなハイパーパラメータにする影響はFLの耐性にどのように現れるか。
• RQ4 プール内の堅牢な集約がプール間の冗長性を補完して横断的な攻撃を緩和できるか。
• RQ5 RFCの防御は多様なデータセットとモデルアーキテクチャでどのように機能するか。

主な発見

• RFCは実験を通じて標準法より敵対的攻撃に対する堅牢性を大幅に向上させた。
• 非微分可能でタスク特有の評価指標をモデル選択に用いることを可能とし、防御を多様な目的に適合させる。
• イン・プールのロバスト集約（例：Krum）は、プール間の冗長性だけでは不十分な場合に追加の防御層を提供する。
• コンセンサスロジックを固定実装から独立させることで、異なる脅威モデルに適応可能な柔軟な防御が得られる。
• CIFAR-10、Fashion-MNIST、EMNIST、CelebA-Sなどでビトリネおよびバックドア攻撃を用いた実験を行い、RFCの耐性向上を検証した。

Figure 2: Schematic of the pooled mining architecture. By clustering clients into independent pools, this framework enhances system scalability and reduces blockchain communication overhead. Furthermore, the accuracy-based selection mechanism incentivizes the contribution of high quality model updat