摘要
联邦图神经网络（FedGNNs）在后门攻击中极易受到损害，现有的防御措施通常依赖于缺乏语义理解的规则基础方法，这使其容易受到隐蔽触发器的影响，并且对良性结构造成伤害。为了解决这个问题，我们提出了FedLSG，这是第一个将大语言模型（LLMs）集成到联邦图后门防御中的框架。
FedLSG引入了一种图与行为到文本的基础方案，将本地图结构和客户端更新行为转换为语义丰富的自然语言表示。该框架进一步采用轻量级的师生架构。在服务器端，一个全规模的LLM作为教师，提供全局上下文指导，并在聚合过程中评估客户端更新，以识别潜在的恶意参与者。在客户端，一种基于LoRA的学生模型被维护，用于执行语义推理，以抑制与后门触发器相关的边的影响。
通过对图模式和客户端行为的语义解释，该框架自适应地将基于规则的信号纳入消息传递和客户端聚合中以进行防御。实验表明，FedLSG显著提高了对后门攻击的抵抗能力，而不损害图的完整性。
博主点评： FedLSG通过将LLM引入联邦学习的防御机制，展示了深度学习与自然语言处理结合的潜力，开启了对抗后门攻击的新思路。其轻量级架构使得在不牺牲性能的情况下，增强了系统的安全性，值得关注。