实体
FLTrust
FLTrust
PulseAugur coverage of FLTrust — every cluster mentioning FLTrust across labs, papers, and developer communities, ranked by signal.
总计 · 30天
1
90 天内 3
发布 · 30天
0
90 天内 0
论文 · 30天
1
90 天内 3
层级分布 · 90 天
主题
情绪 · 30 天
1 天有情绪数据
最近 · 第 1/1 页 · 共 3 条
-
联邦学习易受隐私泄露和数据投毒攻击
一份新报告详细介绍了联邦学习的漏洞，这是一种将预训练模型适配到本地用户数据的方法。研究人员发现，中央服务器可以从单个客户端更新中恢复私有标签集，尽管重建可能缺乏细节。虽然标签计数恢复随着客户端数量的增加而减少，但后门攻击仍然是一个重大威胁，随着恶意客户端数量的增加，成功率也会增加。FLTrust 等防御机制可以缓解这些风险，但在所有客户端都受到损害时则无效。
-
FedReview 机制对抗联邦学习中的被污染更新
研究人员推出了一种名为 FedReview 的新机制，旨在对抗联邦学习中的投毒攻击。该系统允许服务器在无需验证数据集或历史知识的情况下识别和丢弃恶意更新。FedReview 指定一部分客户端作为审查者，负责评估模型更新并报告潜在的被污染数据，从而使服务器能够聚合排名并移除可疑更新。
-
FoggyTrust 利用分层信任网络增强联邦学习的鲁棒性
研究人员开发了 FoggyTrust，这是 FLTrust 框架的一种新颖的分层扩展，旨在增强联邦学习的鲁棒性。这种新方法将信任计算本地化到雾节点，从而在保持本地客户端组内鲁棒性的同时，更有效地处理全局异构数据。FoggyTrust 结合了基于信任的本地聚合和异构感知优化器（如 FedAdam 和 SCAFFOLD），在具有挑战性的异构数据集（如 CIFAR-10）上，尤其是在特定攻击下，表现出显著的性能提升。