PulseAugur
中
实时 09:25:11
English(EN) TOFD: Target-Oriented Feature Decoupling against Poisoning Attacks in Split Federated Learning

新TOFD框架增强分裂联邦学习对抗投毒攻击

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一个名为目标导向特征解耦（TOFD）的新框架，以对抗分裂联邦学习（SFL）中的投毒攻击。TOFD分三个阶段进行：通过类特定边距扰动识别潜在攻击目标，净化被投毒的数据样本，并使用对抗性引导模型在优化过程中解耦和抑制攻击影响。实验表明，TOFD在各种攻击场景下始终优于现有防御方法，以较低的计算开销提供强大的保护。 AI

影响 增强了隐私敏感应用中协作式AI训练的安全性和可靠性。

排序理由 该集群包含一篇详细介绍改进AI安全新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

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

新TOFD框架增强分裂联邦学习对抗投毒攻击

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Yuhan Xie, Jingrong Huang, Chen Lyu ·

    TOFD：面向目标的特征解耦以对抗分裂联邦学习中的投毒攻击

    arXiv:2608.07274v1 Announce Type: cross Abstract: Split Federated Learning (SFL) facilitates privacy-preserving collaborative training with reduced client-side overhead. However, its split architecture introduces unique attack surfaces, rendering it vulnerable to diverse poisonin…

相关话题