TOFD: Nuovo quadro di difesa contro gli attacchi di avvelenamento nell'apprendimento federato suddiviso

Uno studio recente pubblicato su arXiv (2608.07274) presenta il Target-Oriented Feature Decoupling (TOFD), una strategia di difesa completa contro gli attacchi di avvelenamento nell'apprendimento federato suddiviso (SFL). L'SFL è un approccio di addestramento collaborativo che privilegia la privacy riducendo al minimo gli oneri lato client, ma la sua architettura suddivisa lo rende suscettibile a varie minacce di avvelenamento. I meccanismi di difesa attuali spesso non sfruttano appieno la struttura suddivisa, ostacolando l'identificazione precoce e la gestione delle attività dannose. TOFD colma questa lacuna con un metodo in tre fasi: l'inferenza del target identifica i potenziali bersagli attraverso la perturbazione del margine (MP) specifica per classe; la purificazione del campione filtra i dati contaminati in modo adattivo utilizzando soglie derivate dalla normalizzazione min-max tra classi della MP; e l'ottimizzazione del disaccoppiamento utilizza caratteristiche disaccoppiate per un robusto miglioramento del modello. Questo quadro mira a migliorare la sicurezza dei sistemi SFL, cruciale per applicazioni sensibili alla privacy.