两篇最新的 arXiv 论文探讨了联邦学习 (FL) 框架中对抗性攻击和防御的挑战。第一篇论文研究了在 FL 中对 Vision Transformers 进行对抗性训练的可行性，并提出了一种名为 FedWAvg 的新聚合方法，以提高非独立同分布 (non-IID) 数据上的鲁棒准确性。第二篇论文分析了对抗性样本在 FL 中跨不同客户端模型的可迁移性，并引入了一种基于对抗性训练的防御机制来缓解这些攻击，提供了对系统漏洞的理论见解。 AI
影响 新研究突显了联邦学习系统的漏洞，并提出了针对对抗性攻击的新型防御机制。
排序理由 两篇在 arXiv 上发表的学术论文，讨论了联邦学习中的对抗性攻击和防御。
- Adversarial Attacks and Defense Mechanisms to Improve Robustness of Deep Temporal Point Processes
- 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
- arXiv
- FedWAvg
- Vision Transformers
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
