本文探讨了联邦学习（FL）系统中的可迁移对抗性攻击和鲁棒防御机制。研究人员分析了对抗性样本在不同客户端模型之间的可迁移性，以理解它们与数据分布的关系。为了应对这些攻击，设计了一种利用模型鲁棒性可迁移性的新型对抗性训练防御机制。所提出的方法在真实世界数据集上进行了评估，证明其性能优于现有的最先进技术。 AI
影响 这项研究可能带来更安全的联邦学习系统，这对于保护隐私的AI应用至关重要。
排序理由 该集群包含一篇详细介绍新研究发现和方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
- Adversarial Attacks and Defense Mechanisms to Improve Robustness of Deep Temporal Point Processes
- adversarial example
- Adversarial-Example Attacks Toward Android Malware Detection System
- adversarial training
- AI poisoning
- Byzantine attacks
- defence mechanism
- federated learning
- machine learning
- Model robustness as a confirmatory virtue: The case of climate science
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
