PulseAugur
中
实时 12:19:57
English(EN) Analysis of Federated Aggregation under Model Poisoning and Backdoor Attacks: A Reconstructed Cross-Dataset and Cross-Architecture Benchmark

联邦学习基准揭示聚合方法的漏洞

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一个基准来评估各种攻击场景下的联邦聚合方法，包括模型投毒和后门攻击。该研究分析了五个数据集和四种条件下的五种聚合方法，发现在干净的条件下 Trimmed Mean 表现最佳，而在符号翻转和高斯攻击下 Krum 表现最佳。分析还指出了 FedPARETO 框架和 BadNets 指标实现的潜在差异，表明当前评估实践存在局限性。 AI

影响 强调了联邦学习防御中潜在的薄弱环节，促使对鲁棒聚合技术进行进一步研究。

排序理由 该集群包含一篇详细介绍新基准和联邦学习方法分析的学术论文。[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 →

联邦学习基准揭示聚合方法的漏洞

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Soumya Mazumdar, Vineet Kumar Rakesh, Tapas Samanta ·

    模型投毒和后门攻击下的联邦聚合分析：一个重建的跨数据集和跨架构基准

    arXiv:2608.11423v1 Announce Type: new Abstract: Robust comparisons of federated aggregation methods require joint consideration of predictive performance, threat definitions, metric semantics, and execution provenance. A 500-cell seed-1 evaluation matrix was reconstructed across …

相关实体

相关话题