FedDAB: Nuova difesa contro attacchi backdoor nell'apprendimento federato
I ricercatori propongono FedDAB, un metodo di difesa in due fasi contro gli attacchi backdoor nell'Apprendimento Federato (FL). La prima fase utilizza la regolarizzazione contrastiva locale per allineare gli aggiornamenti benigni. La seconda fase impiega un controllo di allineamento per rilevare ed escludere gli aggiornamenti malevoli dall'aggregazione globale. Il metodo affronta l'eterogeneità statistica e gli attacchi furtivi. Viene fornita una prova teorica.
Fatti principali
- FedDAB è un metodo di difesa in due fasi per l'Apprendimento Federato.
- La prima fase utilizza la regolarizzazione contrastiva locale per la coerenza degli aggiornamenti benigni.
- La seconda fase utilizza il controllo di allineamento per rilevare aggiornamenti anomali.
- Il metodo affronta l'eterogeneità statistica e gli attacchi backdoor furtivi.
- Viene fornita una prova teorica dell'efficacia di FedDAB.
- Pubblicato su arXiv con ID 2607.26933.
- Il tipo di annuncio è cross.
- Proposto per difendersi dagli attacchi backdoor nell'edge computing.
Entità
Istituzioni
- arXiv