TPAMI 2024 | FedCut: 一种可靠检测拜占庭合谋者的光谱分析框架

最新推荐文章于 2024-11-12 21:54:10 发布
最新推荐文章于 2024-11-12 21:54:10 发布
阅读量37 收藏
点赞数
分类专栏： 论文解读 IEEE TPAMI 文章标签： 网络 TPAMI IEEE 深度学习 顶刊论文 论文解读
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_42722197/article/details/141611165
版权
论文解读 IEEE TPAMI 专栏收录该内容
303 篇文章 21 订阅 ¥59.90 ¥99.00
订阅专栏

FedCut: A Spectral Analysis Framework for Reliable Detection of Byzantine Colluders

FedCut: 一种可靠检测拜占庭合谋者的光谱分析框架

Hanlin Gu; Lixin Fan; XingXing Tang; Qiang Yang

摘要

本文提出了一个通用的光谱分析框架，用于应对联邦学习中的安全风险，这些风险由一组恶意的拜占庭攻击者或合谋者造成，他们密谋上传恶意模型更新，从而严重降低全局模型的性能。该框架从光谱分析的角度出发，描绘了拜占庭合谋者模型更新之间的强一致性和时间一致性，并将拜占庭异常行为的检测公式化为加权图中的社区检测问题。然后利用修改后的标准化图割方法区分攻击者和良性参与者。此外，采用光谱启发式算法，使检测在各种攻击下都能保持鲁棒性。所提出的抗拜占庭合谋者的方法，即FedCut，保证在有界误差内收敛。在各种设置下的广泛实验结果证明了FedCut的优越性，在各种攻击下表现出极其稳健的模型准确性（MA）。实验表明，FedCut的平均MA比最先进的抗拜占庭方法高出2.1%到16.5%。在最坏情况下

了解本专栏 订阅专栏 解锁全文
小白学视觉
关注
专栏目录
订阅专栏
TPAMI 2024| BadLabel：评估与增强标签噪声学习的一种鲁棒视角
小白学视觉
07-15 716
标签噪声学习（Label-noise learning, LNL）旨在提高模型在训练数据带有噪声标签的情况下的泛化能力。为了促进实用的LNL算法的发展，研究人员提出了不同类型的标签噪声，从类条件噪声到实例依赖噪声不等。在本文中，我们引入了一种新型的标签噪声类型，称为BadLabel，它可以通过大幅度降低现有LNL算法的性能来显著影响它们。BadLabel是基于标准分类的标签翻转攻击精心设计的，其中选择特定样本并将它们的标签翻转为其他标签，以便干净标签和噪声标签的损失值无法区分。
TPAMI 2024 | 人体运动生成：一项综述研究
小白学视觉
07-31 1058
人类动作生成旨在生成自然的人姿势序列，并展示出对现实世界应用的巨大潜力。近年来，在运动数据收集技术和生成方法方面取得了实质性进展，为人类动作生成日益增长的兴趣奠定了基础。该领域的大多数研究侧重于基于条件信号生成人类动作，例如文本、音频和场景上下文。尽管近年来取得了显著进展，但由于人类动作的复杂性质及其与条件信号的隐式关系，该任务仍然面临挑战。在这篇综述中，我们提供了人类动作生成的综合文献回顾，据我们所知，这是该领域首次此类综述。
TPAMI 2024 | Diversify：一种时间序列分布外检测和泛化的通用框架
小白学视觉
07-29 1223
题目：Diversify: A General Framework for Time Series Out-of-Distribution Detection and Generalization Diversify：一种时间序列分布外检测和泛化的通用框架 作者：W. Lu; J. Wang; X. Sun; Y. Chen; X. Ji; Q. Yang; X. Xie 摘要 时间序列仍然是机器学习研究中最具挑战性的模态之一。时间序列的分布外（OOD）检测和泛化常常由于其非平稳性质而面临困难，即分布随时
TPAMI 2024 | P2T：用于场景理解的金字塔池化Transformer
小白学视觉
08-19 643
最近，视觉Transformer通过推动各种视觉任务的最前沿取得了巨大成功。视觉Transformer面临的最大挑战之一是图像标记的大序列长度导致高计算成本（二次复杂度）。解决这个问题的一个流行方法是使用单个池化操作来减少序列长度。本文考虑了如何改进现有的视觉Transformer，其中通过单个池化操作提取的池化特征似乎不够强大。为此，我们注意到金字塔池化由于其在上下文抽象方面的强能力，在各种视觉任务中已被证明是有效的。然而，金字塔池化尚未在主干网络设计中被探索。
TPAMI 2024 | 正则化损失与超参数估计在弱监督单类分割中的应用
小白学视觉
07-18 1090
Regularized Loss With Hyperparameter Estimation for Weakly Supervised Single Class Segmentation 正则化损失与超参数估计在弱监督单类分割中的应用 作者：Zongliang Ji; Olga Veksler 摘要 我们提出了一种新的图像级弱监督分割方法，适用于只含有单一感兴趣对象类别的数据集。我们的方法基于经典条件随机场（CRF）建模启发的正则化损失函数。我们的损失模型了通用对象的属性，并用它引导CNN朝向更可能对
TPAMI 2024| DualCoOp++：一种快速高效的有限注释多标签识别方法
小白学视觉
05-25 854
在低标签状态下的多标签图像识别是一项极具挑战性和实际意义的任务。之前的工作主要集中在学习文本和视觉空间之间的对齐，以弥补图像标签的不足，但由于高质量多标签注释的缺乏，可能会导致精度下降。在这项研究中，我们利用了通过数百万辅助图像-文本对预训练的强大文本和视觉特征对齐能力。我们引入了一种高效的框架，称为证据引导的双上下文优化 (DualCoOp++)，作为解决部分标签和零样本多标签识别的统一方法。在 DualCoOp++ 中，我们分别为目标类别编码证据、正面和负面上下文，作为语言输入的参数化组件（即提示）。
TPAMI 2024 | 单目深度估计：全面综述
小白学视觉
07-24 1153
在计算机视觉领域，对二维图像中深度的估计是一个具有挑战性的主题。这是一个长期被深入研究且定义不明确的问题，一直是密集研究的焦点。本文是对这一主题的深入回顾，呈现了两个方面：一方面考虑人类深度感知的机制，另一方面包括各种深度学习方法。这些方法以紧凑和结构化的方式呈现，概述了主题，并根据近十年的研究线索对方法进行了分类。尽管在这一主题上取得了显著进展，但似乎没有任何与人类深度感知及其潜在益处的联系。
TPAMI 2024 | 通过消除法检测道路障碍物
小白学视觉
07-31 1444
车辆在道路上可能会遇到无数的障碍物，而且事先记录下它们以训练一个检测器是不可能的。相反，我们选择图像块，并使用周围的道路纹理进行填充，这倾向于从这些块中移除障碍物。然后，我们使用一个训练有素的网络来识别原始块和填充后的块之间的差异，这标志着擦除了一个障碍物。
TPAMI 2024 | CrossFormer++: 基于跨尺度注意力的多功能视觉Transformer
小白学视觉
07-05 1516
虽然不同尺度的特征在视觉输入中具有感知重要性，但现有的视觉Transformer尚未显式利用这些特征。为此，我们首先提出了一种跨尺度视觉Transformer，即CrossFormer。它引入了跨尺度嵌入层（CEL）和长短距离注意力（LSDA）。一方面，CEL将每个标记与不同尺度的多个补丁混合，为自注意力模块本身提供跨尺度特征。另一方面，LSDA将自注意力模块分为短距离和长距离部分，这不仅减少了计算负担，还保留了标记中的小尺度和大尺度特征。
TPAMI 2024 | AIfES：下一代边缘AI框架
小白学视觉
07-26 118
边缘人工智能（AI）依赖于将机器学习（ML）集成到最小的嵌入式设备中，从而在图像或语音处理等实际应用中实现本地智能。传统的边缘AI框架缺乏跟上当前和未来ML创新所需的重要方面。这些方面包括针对目标硬件的灵活性低以及对定制硬件加速器集成的支持有限。嵌入式系统人工智能框架（AIfES）的目标是克服传统边缘AI框架面临的这些挑战。在本文中，我们详细介绍了AIfES的架构和应用的设计原则。
TPAMI 2024 | ASP: 学习一个通用的神经求解器！
小白学视觉
07-17 189
将机器学习应用于组合优化问题有潜力提高效率和准确性。然而，现有的基于学习的求解器在面对问题分布和规模变化时通常难以泛化。在本文中，我们提出了一种新方法，称为ASP：自适应阶梯策略空间响应神谕（Adaptive Staircase Policy Space Response Oracle），以解决这些泛化问题，并学习一个通用的神经求解器。ASP由两个组成部分构成：分布探索（Distributional Exploration），它使用策略空间响应神谕增强求解器处理未知分布的能力；
TPAMI 2024 | PathNet: 基于路径选择的点云去噪
小白学视觉
07-29 699
当前的点云去噪(PCD)模型优化单一网络，试图使其参数适应于大量点云池中的每个点。这种去噪网络范式忽略了不同点通常受到不同程度的噪声干扰，并且它们可能传达不同的几何结构。因此，噪声和几何的复杂性带来了包括残留噪声、错误平滑的边缘和去噪后形状扭曲等副作用。我们提出了PathNet，一种基于强化学习(RL)的路径选择性PCD范式。与现有工作不同，PathNet能够动态选择每个点最合适的去噪路径，最佳地将其移动到其底层表面上。除了首次提出路径选择性PCD框架外，我们还有另外两个贡献。
【网络】深入理解 HTTPS：确保数据传输安全的核心协议
人生苦短，睡觉要紧，睡醒再说
11-06 1754
HTTPS（HyperText Transfer Protocol Secure）是 HTTP 协议的安全版本。HTTP 是用于客户端与服务器之间传输网页数据的协议，而 HTTPS 在 HTTP 协议的基础上添加了一层SSL/TLS加密协议，使得传输的数据在网络中不易被窃取或篡改。HTTPS 通常用于传输敏感信息，如登录凭证、支付信息、个人数据等。与 HTTP 协议不同，HTTPS 在数据传输过程中会对信息进行加密，确保数据在传输过程中不被第三方监听或修改。
字节序（Byte Order）
weixin_50993868的博客
11-11 213
字节序与平台字节序转换字节序（Byte Order）是指数据在内存中存储时字节的排列顺序。由于不同的计算机体系结构可能采用不同的字节序，因此理解字节序非常重要，特别是在处理多平台数据传输或存储时。
【网络安全 | 漏洞挖掘】隐藏的 DOS 技术
等风来
11-11 247
我调查了这些参数的用途，发现它们被传递给了第三方服务，且该服务的文档说明这些参数是安全的。你可以试试这样做：前往https://ash-speed.hetzner.com/并找到一个测试文件（大小大约1到10 GB），如果服务器等待URL请求完成，你可以通过大量此类请求来淹没服务器，从而导致它最终崩溃。于是我发送了一个包含1000个UUID的列表，结果网站在60秒后超时，并出现了显著的延迟。在我的案例中，这导致了客户网站的DOS攻击，问题被发现并快速修复，甚至在我报告漏洞之前。
UNIX 域套接字
weixin_50993868的博客
11-12 219
UNIX 域套接字（UNIX Domain Socket，简称 UDS）是一种在同一台机器上的进程间通信（IPC，Inter-Process Communication）机制，允许不同的进程通过文件系统中的特殊文件进行数据交换，而不需要通过网络协议栈。这使得 UNIX 域套接字在本地通信中比传统的 TCP/IP 套接字更高效。流式数据：和 TCP 套接字类似，UNIX 域套接字也支持面向流的通信（SOCK_STREAM），以及无连接的报文通信（SOCK_DGRAM）。// 套接字文件的路径。
Tcp/Ip协议，tcp相关文章，网络编程，通信协议文章汇总
求是
11-10 271
学习时候，有些书籍读了就忘记了。常读常新，特此留下地址。1. tcp/ip 协议卷。2.不为人知的网络编程。
Linux：网络协议socket
Au_ust的博客
11-05 1321
我们之前学的通信是本地进程间通信，如果我们想在网络间通信的话，就需要用到二者的ip地址，分别被称为源IP地址和目的IP地址，被存入ip数据包中，其次我们还需要遵循一些通信协议。TCP协议：传输层协议，有连接，可靠传输，面向字节流（无明确边界的字节序列），难UDP协议：传输层协议，无连接，不可靠传输，面向数据流（以数据包为单位），简单网络通信的本质也是进程间通信，你怎么知道你要和哪个进程通信？
蓝队技术学习
最新发布
weixin_65861348的博客
11-12 694
该手册详细规定了在不同安全事件发生时应执行的标准操作程序，按安全事件类别进行了分类阐述。
IEEE TPAMI 用于缺陷检测的期刊
04-05
IEEE TPAMI（IEEE Transactions on Pattern Analysis and Machine Intelligence）是一个涵盖模式识别、计算机视觉、图像处理和机器学习等领域的高质量期刊，其中也包括用于缺陷检测的研究。 以下是一些在IEEE TPAMI...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

小白学视觉

您的赞赏是我们坚持下去的动力~

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值