論文の概要: Defending Against Backdoor Attacks via Alignment Checking in Model-Contrastive Federated Learning

• arxiv url: http://arxiv.org/abs/2607.26933v1
• Date: Wed, 29 Jul 2026 13:59:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-30 21:06:25.696822
• Title: Defending Against Backdoor Attacks via Alignment Checking in Model-Contrastive Federated Learning
• Title（参考訳）: モデルContrastive Federated Learningにおけるアライメントチェックによるバックドアアタックに対する防御
• Abstract要約: Federated Learning(FL)は、エッジコンピューティングのシナリオにおいて、その分散した性質のため、バックドア攻撃に対して脆弱である。 局所的コントラスト正規化とアライメントチェックを組み合わせた2相法であるFedDABを提案する。 第一段階において、FedDABは、良心的更新における方向と大きさの整合性を高めるために、局所目的に新しいモデルコントラスト項を導入する。 第2フェーズでは、FedDABはアライメントチェック戦略を使用して、各ローカル更新を、全体方向アライメントとパラメータレベルのアライメントと、履歴情報とのアライメントの観点から評価する。
• 参考スコア（独自算出の注目度）: 14.736525171809303
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Federated Learning (FL) is vulnerable to backdoor attacks because of its distributed nature in edge computing scenarios. Existing defense methods show limited efficacy as they overlook the deviations among benign local updates caused by statistical heterogeneity and the stealthiness of backdoor attacks. To tackle these issues, we propose FedDAB, a two-phase method that combines local contrastive regularization with alignment checking, to defend against backdoor attacks. In the first phase, FedDAB introduces a novel model-contrastive term into the local objective to enhance direction and magnitude consistency among benign updates. In the second phase, FedDAB employs an alignment checking strategy to evaluate each local update in terms of overall-direction alignment and parameter-level alignment with historical information, excluding updates that exhibit abnormal alignment patterns from global aggregation. We theoretically prove FedDAB's robustness with a convergence rate of $\mathcal{O}(1/T)$. Extensive experiments show that FedDAB outperforms existing defense methods against backdoor attacks.
• Abstract（参考訳）: Federated Learning(FL)は、エッジコンピューティングのシナリオにおいて、その分散した性質のため、バックドア攻撃に対して脆弱である。 既存の防御法では,統計的異質性やバックドア攻撃のステルス性によって生じる良質な局地的更新の偏差を無視する効果が限られている。 これらの問題に対処するため,FedDABは,局所的なコントラスト正規化とアライメントチェックを組み合わせた2段階の手法で,バックドア攻撃に対する防御を行う。 第一段階において、FedDABは、良心的更新における方向と大きさの整合性を高めるために、局所目的に新しいモデルコントラスト項を導入する。 第2フェーズでは、グローバルアグリゲーションから異常なアライメントパターンを示す更新を除いて、各ローカル更新を、全体方向アライメントとパラメータレベルアライメントと履歴情報との観点から評価するアライメントチェック戦略を採用している。 理論的には、FedDABのロバスト性は$\mathcal{O}(1/T)$の収束率で証明する。 大規模な実験により、FedDABはバックドア攻撃に対する既存の防御方法より優れていることが示されている。

関連論文リスト

• Detecting and Mitigating Backdoor Attacks in OTA-FL Systems: A Two-Stage Robust Aggregation Scheme [27.75838619796163]
  オーバー・ザ・エア・フェデレーション・ラーニング (OTA-FL) は無線チャネルの重ね合わせ特性を利用して通信効率を向上させる。 パラメータサーバは個々のローカル更新にアクセスできない。 OTA-FLにおけるバックドア攻撃に対する防御のための2段階のロバストアグリゲーションフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-19T01:57:31Z)
• Beyond Passive Aggregation: Active Auditing and Topology-Aware Defense in Decentralized Federated Learning [1.8262547855491456]
  分散学習(DFL)は、従来の防御指標をバイパスするために設計されたバックドア攻撃に対して、非常に脆弱である。 この制限に対処するため、我々は防衛パラダイムを新しいアクティブな介入監査フレームワークにシフトする。
  論文  参考訳（メタデータ） (2026-03-19T06:46:55Z)
• MARS: A Malignity-Aware Backdoor Defense in Federated Learning [51.77354308287098]
  最近提案されたSOTA攻撃(3DFed)は、ディフェンダーがバックドアモデルを受け入れたかどうかを判断するためにインジケータ機構を使用する。 本稿では,各ニューロンの有害な範囲を示すためにバックドアエネルギーを利用するMARS(Maignity-Aware backdooR defenSe)を提案する。 実験により、MARSはSOTAのバックドア攻撃に対して防御でき、既存の防御を著しく上回っていることが示された。
  論文  参考訳（メタデータ） (2025-09-21T14:50:02Z)
• DOPA: Stealthy and Generalizable Backdoor Attacks from a Single Client under Challenging Federated Constraints [2.139012072214621]
  フェデレーテッド・ラーニング(FL)は、プライバシー保護のための協調トレーニングにますます採用されているが、その分散した性質は、バックドア攻撃の影響を受けやすい。 しかし、既存の攻撃方法は、しばしば理想化された仮定に依存し、現実の制約の下で有効に保たない。 異種ローカルトレーニングのダイナミクスをシミュレートし,多種多様な最適化トラジェクトリ間のコンセンサスを求める新しいフレームワークであるDOPAを提案する。
  論文  参考訳（メタデータ） (2025-08-20T08:39:12Z)
• Coward: Toward Practical Proactive Federated Backdoor Defense via Collision-based Watermark [90.94234374893287]
  我々は、マルチバックドア衝突効果の発見に触発されて、Cowardと呼ばれる新しいプロアクティブディフェンスを導入する。 一般に,サーバから注入された,矛盾するグローバルな透かしが,保持されるのではなく,ローカルトレーニング中に消去されるかどうかを評価することで攻撃者を検出する。
  論文  参考訳（メタデータ） (2025-08-04T06:51:33Z)
• Detecting Backdoor Attacks in Federated Learning via Direction Alignment Inspection [7.200910949076064]
  フェデレートラーニング(FL)システムは、悪意のあるモデル更新に対して脆弱である。 バックドア攻撃に対してFLシステムを保護するために設計された新しい防御手法であるAlignInsを紹介する。 本稿では,AlignInsが最先端の防御手法と比較して高い堅牢性を実現することを示す。
  論文  参考訳（メタデータ） (2025-03-11T02:24:53Z)
• T2IShield: Defending Against Backdoors on Text-to-Image Diffusion Models [70.03122709795122]
  バックドア攻撃の検出, 局所化, 緩和のための総合防御手法T2IShieldを提案する。 バックドアトリガーによって引き起こされた横断アテンションマップの「アシミレーション現象」を見いだす。 バックドアサンプル検出のために、T2IShieldは計算コストの低い88.9$%のF1スコアを達成している。
  論文  参考訳（メタデータ） (2024-07-05T01:53:21Z)
• Revisiting Backdoor Attacks against Large Vision-Language Models from Domain Shift [104.76588209308666]
  本稿では,LVLMの学習訓練におけるバックドア攻撃について検討する。 我々は,攻撃の堅牢性を評価するために,新たな評価次元,バックドア領域の一般化を導入する。 本稿では,ドメイン非依存的トリガを臨界領域に注入するマルチモーダルアトリビューションバックドアアタック(MABA)を提案する。
  論文  参考訳（メタデータ） (2024-06-27T02:31:03Z)
• Avoid Adversarial Adaption in Federated Learning by Multi-Metric Investigations [55.2480439325792]
  Federated Learning(FL)は、分散機械学習モデルのトレーニング、データのプライバシの保護、通信コストの低減、多様化したデータソースによるモデルパフォーマンスの向上を支援する。 FLは、中毒攻撃、標的外のパフォーマンス劣化とターゲットのバックドア攻撃の両方でモデルの整合性を損なうような脆弱性に直面している。 我々は、複数の目的に同時に適応できる、強い適応的敵の概念を新たに定義する。 MESASは、実際のデータシナリオで有効であり、平均オーバーヘッドは24.37秒である。
  論文  参考訳（メタデータ） (2023-06-06T11:44:42Z)
• FedCC: Robust Federated Learning against Model Poisoning Attacks [0.0]
  フェデレートラーニング(Federated Learning)は、プライバシの問題に対処するために設計された分散フレームワークである。 新たなアタックサーフェスを導入しており、データは独立に、そしてIdentically Distributedである場合、特に困難である。 我々は,モデル中毒に対する簡易かつ効果的な新しい防御アルゴリズムであるFedCCを提案する。
  論文  参考訳（メタデータ） (2022-12-05T01:52:32Z)
• A Self-supervised Approach for Adversarial Robustness [105.88250594033053]
  敵対的な例は、ディープニューラルネットワーク(DNN)ベースの視覚システムにおいて破滅的な誤りを引き起こす可能性がある。 本稿では,入力空間における自己教師型対向学習機構を提案する。 これは、反逆攻撃に対する強力な堅牢性を提供する。
  論文  参考訳（メタデータ） (2020-06-08T20:42:39Z)

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。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。