READ-2337 Defense against backdoor attack in federated learning

最新推荐文章于 2024-11-01 16:03:12 发布

VivienneLuo

最新推荐文章于 2024-11-01 16:03:12 发布

阅读量394

点赞数 9

分类专栏： FL Security 文章标签：安全联邦学习

本文链接：https://blog.csdn.net/m0_51638853/article/details/135755222

版权

67 篇文章 27 订阅

订阅专栏

论文探讨了在联邦学习中，后门攻击对全局模型的影响以及检测策略。攻击在收敛轮影响全局模型，而早期攻击不易通过性能识别。论文提出利用恶意神经元对同一图像表示的差异作为检测依据。

摘要由CSDN通过智能技术生成

论文名称	Defense against backdoor attack in federated learning
作者	LJY
来源	AAAI
领域	Machine Learning – Federal learning – privacy and security
问题	学习
方法	学学学
创新	没有

在这里插入图片描述

在收敛轮进行的攻击会直接影响全局模型，而在全局模型已中毒的情况下，全局模型的更新更接近于恶意客户端的更新的，与良性客户端更新的距离较远；
在早期通信进行的攻击下，恶意模型在主任务和后门任务上的准确率都较低，因此难以从性能的角度检测后门。但是，由于在嵌入触发器前后，恶意神经元对同一张图像的表示不同，可以根据该现象判断恶意客户端。