English(EN) Temperature Scaling Attack Disrupting Model Confidence in Federated Learning

新的温度缩放攻击针对联邦学习中的模型置信度

作者 PulseAugur 编辑部 · [1 个来源] · 2026-09-04 04:00

研究人员开发了一种名为温度缩放攻击（TSA）的新型训练时攻击，专门针对联邦学习系统中模型的置信度校准。这种攻击会降低模型准确表示自身不确定性的能力，同时保持高预测准确性。TSA通过在本地训练期间注入学习率-温度耦合的温度缩放来实现，它可以在不显著改变准确性或优化信号的情况下转移模型置信度。该攻击在CIFAR-100等基准测试中显示出校准错误的大幅增加，并在医疗保健和自动驾驶等关键应用中显示出严重故障的潜力。 AI

影响此次攻击凸显了联邦学习系统中的一个关键漏洞，可能影响AI在敏感应用中的可靠性。

排序理由详细介绍联邦学习模型新型攻击方法的 ist 研究论文。 [lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

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

本文如何被排名

Signal score: 17 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 详细介绍联邦学习模型新型攻击方法的 ist 研究论文。 [lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, safety; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: Breaking (< 6h); Fresh story with cross-source coverage still developing. Ranking may shift as more sources report.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.AI TIER_1 English(EN) · Kichang Lee, Jaeho Jin, JaeYeon Park, Songkuk Kim, JeongGil Ko · 2026-09-04 04:00

温度缩放攻击扰乱联邦学习中的模型置信度

arXiv:2602.06638v3 Announce Type: replace-cross Abstract: Predictive confidence serves as a foundational control signal in mission-critical systems, directly governing risk-aware logic such as escalation, abstention, and conservative fallback. While prior federated learning attac…

本文如何被排名

报道来源 [1]

温度缩放攻击扰乱联邦学习中的模型置信度

相关实体

相关话题