English(EN) Defending Against Backdoor Attacks via Alignment Checking in Model-Contrastive Federated Learning

新的 FedDAB 方法增强了联邦学习对抗后门攻击的防御能力

作者 PulseAugur 编辑部 · [1 个来源] · 2026-07-30 04:00

研究人员开发了一种新的两阶段方法 FedDAB，用于防御联邦学习中的后门攻击。该方法结合了局部对比正则化和对齐检查，以提高良性更新的一致性并识别恶意更新。FedDAB 旨在提高分布式机器学习系统的安全性，尤其是在边缘计算场景中，并在实验中证明了其优于现有防御方法的性能。 AI

影响引入了一种新颖的防御机制，以提高联邦学习系统的安全性和可靠性。

排序理由该集群包含一篇详细介绍特定机器学习问题新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

报道来源 [1]

arXiv cs.LG TIER_1 English(EN) · Hongliang Zhang, Zhongyuan Yu, Guijuan Wang, Tianqing He, Wenshuo Ma, Xiaosong Zhang, Jiguo Yu · 2026-07-30 04:00

通过模型对比联邦学习中的对齐检查来防御后门攻击

arXiv:2607.26933v1 Announce Type: cross Abstract: Federated Learning (FL) is vulnerable to backdoor attacks because of its distributed nature in edge computing scenarios. Existing defense methods show limited efficacy as they overlook the deviations among benign local updates cau…