PulseAugur
中
实时 09:25:17
English(EN) Fairis: Fairness-Aware Aggregation with Provable Influence Containment against Fairness Poisoning Attacks in Collaborative Machine Learning

新方案Fairis应对协作机器学习中的公平性投毒

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了Fairis，这是一种新颖的服务器端重加权方案，旨在增强协作机器学习中的公平性和鲁棒性，尤其适用于金融机构。该方法旨在防止公平性投毒攻击，在这种攻击中，恶意客户端在保持准确性的同时操纵群体公平性指标。Fairis通过根据客户端的本地公平性分数分配权重来实现这一点，确保试图操纵系统的对手的影响力被单调降低。 AI

影响 引入了一种新方法来提高协作机器学习的公平性和安全性，可能对金融应用产生影响。

排序理由 该集群包含一篇详细介绍机器学习新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

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

新方案Fairis应对协作机器学习中的公平性投毒

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Devharsh Trivedi, Nesrine Kaaniche, Nikos Triandopoulos, Maryline Laurent, Jackson Walters ·

    Fairis：在协作机器学习中，针对公平性投毒攻击的具有可证明影响遏制能力的公平感知聚合

    arXiv:2608.06469v1 Announce Type: cross Abstract: Collaborative machine learning among financial institutions must be both group-fair and robust against deliberate adversarial manipulation. Existing fairness-aware aggregation methods remain formally vulnerable to fairness poisoni…

相关话题