本文探讨了联邦学习（FL）系统在面对包括投毒、拜占庭攻击和对抗性样本攻击在内的各种对抗性攻击时的脆弱性。研究人员分析了不同客户端模型之间对抗性样本的可迁移性，以了解其对数据分布的影响。为了应对这些威胁，开发了一种基于对抗性训练的防御机制，利用了模型鲁棒性的可迁移性。所提出的方法在真实世界数据集上进行了评估，证明了其在现有最先进技术上的性能提升。 AI
影响 引入了新方法来增强联邦学习系统在面对复杂的对抗性攻击时的安全性和鲁棒性。
排序理由 关于联邦学习新颖对抗性攻击与防御的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
在 Hugging Face Daily Papers 阅读 →
- adversarial example
- Adversarial-Example Attacks Toward Android Malware Detection System
- adversarial training
- AI poisoning
- Byzantine attacks
- federated learning
- Hugging Face
- machine learning
- Model robustness as a confirmatory virtue: The case of climate science
- Powerful Opponents
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
