这篇文档属于类型a，即报告了一项原创性研究。以下是基于文档内容生成的学术报告：
个性化联邦学习的鲁棒性研究：针对后门攻击的防御
作者及机构
本研究的作者包括Zeyu Qin（香港科技大学）、Liuyi Yao、Daoyuan Chen、Yaliang Li、Bolin Ding（阿里巴巴集团）以及Minhao Cheng（香港科技大学）。该研究发表于2023年8月6日至10日在美国加州长滩举行的第29届ACM SIGKDD知识发现与数据挖掘会议（KDD ‘23）上。
学术背景
随着数据隐私问题的日益突出，联邦学习（Federated Learning, FL）作为一种在不共享数据的情况下协同训练机器学习模型的范式，受到了学术界和工业界的广泛关注。然而，联邦学习系统面临严重的安全威胁，尤其是后门攻击（Backdoor Attacks）。后门攻击通过在训练数据中插入特定触发器，使得模型在遇到带有触发器的样本时表现出异常行为，而在其他情况下表现正常。这种攻击具有隐蔽性强、难以检测的特点。尽管已有许多防御方法针对中毒攻击（Poisoning Attacks）等威胁，但在后门攻击的防御上仍存在挑战。
个性化联邦学习（Personalized Federated Learning, PFL）通过为每个客户端训练个性化的本地模型，解决了数据异构性问题，显著提升了模型在非独立同分布（Non-IID）场景下的预测精度。然而，PFL是否能够增强模型对后门攻击的鲁棒性，尚未有系统研究。因此，本研究旨在探讨PFL方法是否能够带来对后门攻击的鲁棒性，并分析其背后的原因。
研究流程
本研究的主要流程包括以下几个步骤：
1. 实验设计与数据集选择
研究选择了两个广泛使用的图像分类数据集：FEMNIST和CIFAR-10。FEMNIST是一个手写字符识别数据集，包含62个类别；CIFAR-10是一个10类图像分类数据集。这两个数据集分别代表了特征偏移（Feature-Skew）和标签偏移（Label Skew）的非独立同分布场景。研究还考虑了独立同分布（IID）场景作为对照。
PFL方法与后门攻击测试
研究测试了6种主流的PFL方法，包括FedAvg、Fine-Tuning、FedBN、FedRep、Ditto、PFedME和FedEM，并针对4种广泛使用的后门攻击（BadNet、Blended、Sig和Edge-Case）进行了评估。每种方法在FEMNIST和CIFAR-10数据集上进行了总计600次实验。
防御性能评估
研究通过两个指标评估防御性能：干净样本的预测精度（Clean Accuracy, C-Acc）和攻击成功率（Attack Success Rate, ASR）。实验结果显示，部分模型共享的PFL方法（如FedRep和FedBN）显著提升了模型对后门攻击的鲁棒性，而全模型共享的PFL方法则未表现出类似的防御效果。
消融实验与原因分析
为了分析不同PFL方法鲁棒性差异的原因，研究进行了消融实验。研究发现，个性化程度是影响鲁棒性的关键因素。部分模型共享的PFL方法通过本地保留的BN层或线性分类器，成功阻止了后门特征在个性化本地模型之间的传播。
轻量级防御方法的提出
基于研究结果，作者提出了一种轻量级防御方法——Simple-Tuning。该方法在训练完成后重新初始化每个客户端的线性分类器，并在本地数据集上对其进行训练。实验表明，Simple-Tuning显著提升了模型对后门攻击的鲁棒性，同时保持了较高的预测精度。
主要结果
1. PFL方法的鲁棒性差异
实验结果显示，部分模型共享的PFL方法（如FedRep和FedBN）显著降低了后门攻击的成功率。例如，FedRep将Blended攻击的成功率降低至20%以下，而FedBN在CIFAR-10数据集上将攻击成功率控制在20%以内。相比之下，全模型共享的PFL方法（如Ditto和PFedME）未能显著提升鲁棒性。
个性化程度与鲁棒性的关系
研究发现，个性化程度与鲁棒性之间存在强正相关关系。部分模型共享的PFL方法通过本地保留的BN层或线性分类器，有效阻止了后门特征的传播。
Simple-Tuning的防御效果
Simple-Tuning在FedAvg和Ditto模型上的实验表明，该方法显著降低了后门攻击的成功率，同时提升了干净样本的预测精度。例如，在CIFAR-10数据集上，Simple-Tuning将BadNet攻击的成功率从89.2%降低至39.3%。
结论
本研究表明，部分模型共享的PFL方法能够显著提升模型对后门攻击的鲁棒性，而个性化程度是影响鲁棒性的关键因素。基于这一发现，作者提出的Simple-Tuning方法为联邦学习系统提供了一种轻量级且高效的防御机制。该研究不仅为PFL的鲁棒性提供了理论支持，还为设计更安全的联邦学习方法提供了重要启示。
研究亮点
1. 首次系统性研究
本研究首次系统性地探讨了PFL方法对后门攻击的鲁棒性，填补了这一领域的研究空白。
2. 轻量级防御方法的提出
Simple-Tuning方法不仅显著提升了模型对后门攻击的鲁棒性，还具备低计算成本的特点，适合在实际场景中部署。
3. 数据驱动的研究方法
研究通过大规模实验和消融分析，深入揭示了PFL方法鲁棒性差异的原因，为后续研究提供了重要参考。
其他有价值的内容
研究还开源了代码，为PFL框架下的黑盒后门攻击建立了首个基准测试平台，地址为：https://github.com/alibaba/federatedscope/tree/backdoor-bench。这为后续研究提供了重要的实验基础。
这篇报告详细介绍了研究的背景、流程、结果和结论，旨在为学术界和工业界提供关于个性化联邦学习鲁棒性的全面理解。