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 2024-10-15 15:24:52 发布
最新推荐文章于 2024-10-15 15:24:52 发布
阅读量33 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

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
07-15 693
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 1004
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 1169
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
08-19 611
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 1050
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
05-25 823
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 | 通过消除法检测道路障碍物
小白学视觉
07-31 1397
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 | 单目深度估计：全面综述
小白学视觉
07-24 1049
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 | FGAHOI：用于人体-物体交互检测的细粒度锚点
小白学视觉
07-30 966
人类-对象交互（HOI）作为计算机视觉中的一个重要问题，需要定位人-对象对并识别它们之间的交互关系。与单个对象实例相比，HOI实例在空间、尺度和任务上具有更大的跨度，使其检测更容易受到嘈杂背景的干扰。为了减轻嘈杂背景对HOI检测的干扰，有必要考虑输入图像信息以生成细粒度锚点，然后利用这些锚点指导检测HOI实例。然而，存在以下挑战：i) 如何从包含复杂背景信息的图像中提取关键特征仍然是一个开放性问题。ii) 如何在语义上对齐提取的特征和查询嵌入也是一个难题。
TPAMI 2024 | AIfES：下一代边缘AI框架
小白学视觉
07-26 94
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
07-17 156
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
07-29 647
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。
如何用3个月零基础入门网络安全？_网络安全零基础怎么学习
2401_84466224的博客
10-15 1200
我们知道计算机最早是在西方发明出来的，很多名词或者代码都是英文的，甚至现有的一些教程最初也是英文原版翻译过来的，而且一个漏洞被发现到翻译成中文一般需要一个星期的时间，在这个时间差上漏洞可能都修补了。”答案是否定的，黑客用的电脑,不需要什么高的配置,只要稳定就行.因为黑客所使用的一些程序,低端CPU也可以很好的运行,而且不占什么内存.还有一个,黑客是在DOS命令下对进行的,所以电脑能使用到最佳状态!观看学习近十年所有0day挖掘的帖，然后搭建环境，去复现漏洞，去思考学习笔者的挖洞思维，培养自己的渗透思维。
前端开发攻略---8种方法实现在浏览器中跨页面通信
最新发布
nibabaoo的博客
10-15 1272
浏览器实现跨标签页通信的多种方式
Linux系统性能调优技巧详解
运维人生
10-13 618
Linux系统性能调优是一个复杂而持续的过程，需要综合考虑硬件、软件、内核参数、进程管理等多个方面。通过合理的调优措施和持续的监控调整，可以显著提升Linux系统的运行效率和稳定性，为业务提供强有力的支持。性能调优是一个持续的过程，需要不断地监控、分析和调整，以适应不断变化的工作负载和系统环境。希望本文的介绍和代码示例能够帮助您在Linux系统性能调优方面取得更好的效果。
找到占用5601端口的进程ID
m0_46695127的博客
10-13 292
找到占用5601端口的进程ID
【信息安全管理与评估】2023年全国职业院校技能大赛赛题第04套
Play_Sai的博客
10-15 1037
取证的信息可能隐藏在正常的、已删除的或受损的文件中，您可能需要运用编码转换技术、加解密技术、隐写技术、数据恢复技术，还需要熟悉常用的文件格式（如办公文档、压缩文档、图片等）。A 集团的 Ubuntu 服务器被黑客入侵，该服务器的 Web 应用系统被上传恶意软件，系统文件被恶意软件破坏，您的团队需要帮助该公司追踪此网络攻击的来源，在服务器上进行全面的检查，包括日志信息、进程信息、系统文件、恶意文件等，从而分析黑客的攻击行为，发现系统中的漏洞，并对发现的漏洞进行修复。这种攻击叫做（ ）。
H-TCP 的效率和公平性
Netfilter
10-15 1747
minrtt，即 BDP，使带宽不至于因过度收敛而浪费，这就是信息注入的作用，H-TCP 思路类似，但采用了更为巧妙的做法，直接使用 minrtt / maxrtt 作为 β，更加直观，maxrtt - minrtt 就是最大排队时延，它的占比恰好就是要 drain 掉的部分。MD 收缩越激烈，收敛越快，但可能收缩到 BDP 之下造成带宽利用率不足，因此 β 要适中。H-TCP 的效果是，它实时监控带宽的变化，根据这个变化率设置 β 的值。简单模拟一下 β 的效果。至于 α，看公式，不多说，一样的套路。
OSI七层协议
hexadecimal_001的博客
10-14 650
OSI（Open System Interconnection）七层协议，即开放式系统互联参考模型，是一个由国际标准化组织（ISO）提出的用于描述计算机网络中通信的结构和功能的理论模型。它将网络通信过程分为七个层次，每个层次都有特定的功能和协议。
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期刊上发表的用于缺陷检测的论文： 1. "Automatic Defect Detection in X-Ray Images Using Convolutional Neural Networks"（使用卷积神经网络自动检测X射线图像中的缺陷）-- 该论文提出了一种基于卷积神经网络（CNN）的自动缺陷检测方法，该方法可以应用于各种类型的X射线图像中的缺陷检测。 2. "Unsupervised Defect Detection in Textured Materials Using Convolutional Autoencoders"（使用卷积自动编码器在纹理材料中进行无监督缺陷检测）-- 该论文提出了一种基于卷积自动编码器（CAE）的无监督缺陷检测方法，该方法可以有效地检测纹理材料中的缺陷。 3. "A Hierarchical Approach to Defect Detection in Semiconductor Wafer Images"（半导体晶圆图像缺陷检测的分层方法）-- 该论文提出了一种基于分层方法的缺陷检测方法，可以应用于半导体晶圆图像中的缺陷检测。 4. "Deep Learning-Based Defect Detection in Semiconductor Manufacturing"（基于深度学习的半导体制造中的缺陷检测）-- 该论文提出了一种基于深度学习的缺陷检测方法，可以应用于半导体制造中的缺陷检测，并且在实验中取得了良好的结果。 这些论文都展示了IEEE TPAMI作为一个重要的期刊，提供了广泛的研究和应用领域，包括缺陷检测。
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