READ-2354 FLCert: Provably Secure Federated Learning Against Poisoning Attacks

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419

点赞数 8

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/135756599

版权

67 篇文章 27 订阅

订阅专栏

本文提出FLCert，一种在联邦学习中对抗投毒攻击的证明安全防御方法，通过多组全局模型训练和预测，但面临性能损失。研究强调了现有防御的局限性和未来挑战，如如何平衡安全与效率及利用任务先验知识提升认证水平。

摘要由CSDN通过智能技术生成

论文名称	FLCert: Provably Secure Federated Learning Against Poisoning Attacks
作者	Xiaoyu Cao; Zaixi Zhang; Jinyuan Jia; Neil Zhenqiang Gong
来源	IEEE T INF FOREN SEC 2022
领域	Machine Learning - Federal learning - Security – poisoning attack
问题	已有防御没有对投毒攻击给出可证明的安全保证，并且容易受到更高级的攻击
方法	将客户端分成组，使用任何现有的联邦学习方法为每组客户端学习一个全局模型，并在全局模型中使用多数票作为测试输入的预测

在这里插入图片描述

本文提出了可认证的安全防御方法，通过多全局模型的模式进行训练与预测。

问题
由于分组的作用，该方法对模型性能存在一定损失，没有达到保真度的要求
启示
（1）联邦学习安全防御技术中存在的挑战之一：已有的防御方法没有对投毒攻击给出可证明的安全保证
（2）如何充分利用客户端数据建立多个全局模型，同时不增加客户端计算开销是一个有趣的问题
未来
在推导认证安全级别时，FLCert没有利用任何关于学习任务或基本FL算法的先验知识。在推导经认证的安全保证时涉及这样的先验知识是一个有趣的未来工作。