Wang Jian

新型攻击利用联邦学习漏洞，增强隐蔽性和效率 · 已追踪3个来源

研究人员开发了新的方法来增强联邦学习中的分布式后门攻击，使其更具隐蔽性和效率。一种方法是分形触发的分布式后门攻击（FTDBA），它利用分形特性来增强子触发器，需要更少的中毒数据，同时降低检测率。另一种方法是细粒度分布式后门攻击框架（FDBA），它采用动态触发器生成和嵌入向量优化来实现类似目标，中毒样本更少。此外，还提出了一种基于格的重构攻击，该攻击利用去中心化联邦学习安全聚合中的结构泄露来重构单个模型更新以及潜在的私人训练数据。