Fugu-MT 論文翻訳(概要): Poisoning Attacks and Defenses in Federated Learning: A Survey

論文の概要: Poisoning Attacks and Defenses in Federated Learning: A Survey

arxiv url: http://arxiv.org/abs/2301.05795v1
Date: Sat, 14 Jan 2023 00:25:59 GMT
ステータス: 処理完了
システム内更新日: 2023-01-18 18:52:07.984127
Title: Poisoning Attacks and Defenses in Federated Learning: A Survey
Title（参考訳）: フェデレーション学習における中毒攻撃と防衛--調査
Authors: Subhash Sagar, Chang-Sun Li, Seng W. Loke, Jinho Choi
Abstract要約: フェデレートラーニング(FL)は、トレーニングデータセットのプライバシを損なうことなく、分散クライアント間のモデルのトレーニングを可能にする。クライアントデータセットとトレーニングプロセスの可視性は、さまざまなセキュリティ脅威を引き起こします。本調査は, 毒性攻撃の分類と, FLの必要性を議論するための実験的評価を提供する。
参考スコア（独自算出の注目度）: 37.73896639710627
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Federated learning (FL) enables the training of models among distributed clients without compromising the privacy of training datasets, while the invisibility of clients datasets and the training process poses a variety of security threats. This survey provides the taxonomy of poisoning attacks and experimental evaluation to discuss the need for robust FL.
Abstract（参考訳）: federated learning(fl)は、トレーニングデータセットのプライバシを損なうことなく、分散クライアント間のモデルのトレーニングを可能にする。本調査は, 毒性攻撃の分類と, FLの必要性を議論するための実験的評価を提供する。

関連論文リスト

FEDLAD: Federated Evaluation of Deep Leakage Attacks and Defenses [50.921333548391345]
フェデレーテッド・ラーニング(Federated Learning)は、分散型機械学習パラダイムをプライバシ保護するものだ。近年の研究では、Deep Leakageと呼ばれる勾配技術によって、民間の真実データを復元できることが判明している。本稿では、Deep Leakage攻撃と防御を評価するための総合的なベンチマークであるFEDLAD Framework(Federated Evaluation of Deep Leakage Attacks and Defenses)を紹介する。
論文参考訳（メタデータ） (2024-11-05T11:42:26Z)
Data Poisoning and Leakage Analysis in Federated Learning [10.090442512374661]
データ中毒と漏洩のリスクは、現実世界におけるフェデレートされた学習の大規模展開を妨げる。この章では、データプライバシー侵害のエミュレーションとデータ中毒のエミュレーションという2つの支配的脅威を理解するための真実と落とし穴を明らかにします。
論文参考訳（メタデータ） (2024-09-19T16:50:29Z)
Data and Model Poisoning Backdoor Attacks on Wireless Federated Learning, and the Defense Mechanisms: A Comprehensive Survey [28.88186038735176]
無線通信ネットワーク(WCN)への応用については,フェデレートラーニング(FL)がますます検討されている。一般に、WCNの非独立で同一に分布する(非IID)データは、堅牢性に関する懸念を提起する。この調査は、最新のバックドア攻撃と防御メカニズムの包括的なレビューを提供する。
論文参考訳（メタデータ） (2023-12-14T05:52:29Z)
Do Gradient Inversion Attacks Make Federated Learning Unsafe? [70.0231254112197]
フェデレートラーニング(FL)は、生データを共有することなく、AIモデルの協調トレーニングを可能にする。モデル勾配からのディープニューラルネットワークの反転に関する最近の研究は、トレーニングデータの漏洩を防止するためのFLの安全性に関する懸念を提起した。本研究では,本論文で提示されたこれらの攻撃が実際のFLユースケースでは実行不可能であることを示し,新たなベースライン攻撃を提供する。
論文参考訳（メタデータ） (2022-02-14T18:33:12Z)
Source Inference Attacks in Federated Learning [8.493935454144422]
フェデレートラーニング(FL)は、複数のクライアントがプライベートデータを共有せずにモデルを共同でトレーニングできる、有望なプライバシ認識パラダイムとして登場した。我々は、トレーニングメンバーのソースを最適に推定できる、ソース推論攻撃(SIA)と呼ばれる新しい推論攻撃を提案する。
論文参考訳（メタデータ） (2021-09-13T01:09:48Z)
RoFL: Attestable Robustness for Secure Federated Learning [59.63865074749391]
フェデレートラーニング(Federated Learning)により、多数のクライアントが、プライベートデータを共有することなく、ジョイントモデルをトレーニングできる。クライアントのアップデートの機密性を保証するため、フェデレートラーニングシステムはセキュアなアグリゲーションを採用している。悪意のあるクライアントに対する堅牢性を向上させるセキュアなフェデレート学習システムであるRoFLを提案する。
論文参考訳（メタデータ） (2021-07-07T15:42:49Z)
Dataset Security for Machine Learning: Data Poisoning, Backdoor Attacks, and Defenses [150.64470864162556]
この作業は体系的に分類され、幅広いデータセット脆弱性とエクスプロイトを議論する。様々な毒とバックドアの脅威モデルとそれらの関係を記述することに加えて,それらの統一分類法を展開する。
論文参考訳（メタデータ） (2020-12-18T22:38:47Z)
Toward Smart Security Enhancement of Federated Learning Networks [109.20054130698797]
本稿では,フェデレートラーニングネットワーク(FLN)の脆弱性について概説し,毒殺攻撃の概要を紹介する。 FLNのためのスマートセキュリティ強化フレームワークを提案する。深層強化学習は、良質なトレーニング結果を提供するエッジデバイス(ED)の挙動パターンを学ぶために応用される。
論文参考訳（メタデータ） (2020-08-19T08:46:39Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。