Giskard：面向大规模去中心化学习的拜占庭鲁棒且隐私保护聚合协议

论文提出 Giskard 协议，结合差分隐私与拜占庭鲁棒性，解决去中心化学习中隐私攻击与模型投毒双重威胁。 该协议将参与者组织为 $O(\log n)$ 大小的委员会树，通过委员会适配的安全分位数搜索实现隐私保护坐标近似中位数计算。 实验表明 Giskard 相比最近竞争者将单点通信复杂度降低近三个数量级，且在高达 $n/4$ 拜占庭参与者下保持可比鲁棒性。