論文の概要: Bypassing Krum: Selection-Aware Backdoor Attacks in Federated Learning
- arxiv url: http://arxiv.org/abs/2608.06637v1
- Date: Thu, 06 Aug 2026 23:07:15 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-10 16:21:25.302225
- Title: Bypassing Krum: Selection-Aware Backdoor Attacks in Federated Learning
- Title（参考訳）: スクラムをバイパスする:フェデレートラーニングにおける選択型バックドアアタック
- Abstract要約: 我々はByzantine-Robustアグリゲーションを一貫して回避する選択対応バックドアインジェクション戦略であるKrum-Proxyアタックを導入する。
提案手法は,ベニグン更新に類似するだけでなく,アグリゲーション時に好まれる更新空間の領域に収まるように最適化された逆更新を構築する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Robust aggregation methods are widely used in federated learning to mitigate the impact of adversarial client behavior. Distance-based aggregation rules, such as Krum and Multi-Krum, select updates that are closest to the majority under the assumption that benign updates form a compact cluster. However, these methods rely on geometric properties that can be exploited by adaptive adversaries. We introduce the Krum-Proxy attack, a selection-aware backdoor injection strategy that consistently bypasses Byzantine-robust aggregation. Rather than relying on naive scaling or constraining, our method actively optimizes malicious updates to infiltrate the dense core of the benign distribution. The proposed method constructs adversarial updates that are not only similar to benign updates but are also optimized to lie in regions of the update space that are favored during aggregation. This is achieved through a two-stage optimization procedure that separates task-specific attack objectives from geometry-aware refinement, using a nearest-neighbor proxy, stochastic reference modeling, and anchor-guided alignment. To maintain stealth, we introduce a projection mechanism that constrains adversarial updates within realistic norm and variance bounds. Experiments on standard federated learning benchmarks show that Krum-Proxy achieves higher attack success while preserving clean accuracy, highlighting the vulnerability of distance-based aggregation to selection-aware adversaries.
- Abstract（参考訳）: ロバストアグリゲーション法は、敵のクライアント行動の影響を軽減するために、連合学習に広く用いられている。
KrumやMulti-Krumのような距離ベースのアグリゲーションルールは、良質な更新がコンパクトクラスタを形成するという仮定の下で、多数派に最も近い更新を選択する。
しかし、これらの手法はアダプティブ・アダプティブ・アダプティブ・アダプティブ・アダプティブ・アダプティブ・アダプティブ・アダプティブ・アダプティブ・アダプティブ・アダプティブ・アダプティブ・アダプティブ・アダプティブ・アダプティブ・アダプティブ
我々はByzantine-Robustアグリゲーションを一貫して回避する選択型バックドアインジェクション戦略であるKrum-Proxyアタックを紹介した。
本手法は,単純なスケーリングや制約に頼るのではなく,悪質な更新を積極的に最適化し,良性分布の高密度なコアに侵入する。
提案手法は,ベニグン更新に類似するだけでなく,アグリゲーション時に好まれる更新空間の領域に収まるように最適化された逆更新を構築する。
これは、2段階の最適化手順によって達成され、タスク固有の攻撃目標と幾何学的認識の洗練を分離し、最寄りのプロキシ、確率的参照モデリング、アンカー誘導アライメントを用いて達成される。
ステルスを維持するために,現実的なノルムと分散境界内での逆更新を制約するプロジェクション機構を導入する。
標準フェデレーション学習ベンチマークの実験では、Krum-Proxyはクリーンな精度を維持しながら高い攻撃成功を達成し、選択に注意する敵に対する距離ベースのアグリゲーションの脆弱性を強調している。
関連論文リスト
- Think2Go: Generative Next POI Recommendation with LLM Reasoning [57.37706163990998]
Next Point-of-Interest (POI)レコメンデーションタスクは、ユーザの行動選好パターンを過去のチェックインからマイニングすることに焦点を当て、次の目的地へのパーソナライズされた提案を提供する。
既存の手法は、次のPOIを予測するために、浅いコンテキスト情報と手作りの特徴相互作用に依存している。
本稿では,SID表現の理解を深め,テスト時間計算による多様な時空間パターンを探索する新しい次世代POIレコメンデーションフレームワークThink2Goを提案する。
論文 参考訳（メタデータ） (2026-07-31T03:52:20Z) - Trust the Batch, On- or Off-Policy: Adaptive Policy Optimization for RL Post-Training [50.86545293331458]
強化学習は、教師付き学習よりも構造的に難しい。
本稿では,固定クリッピングを政策比率の正規化された有効サンプルサイズに置き換える,単純かつ効果的なバッチ適応目的を提案する。
論文 参考訳（メタデータ） (2026-05-12T16:44:47Z) - Beyond Corner Patches: Semantics-Aware Backdoor Attack in Federated Learning [6.76324539337304]
フェデレートラーニング(FL)に対するバックドア攻撃は、多くの場合、合成コーナーパッチやアウト・オブ・ディストリビューションパターンで評価される。
フェデレートされた環境での学習を支援するセマンティックス対応バックドアであるSABLEを提案する。
我々のセマンティクス駆動トリガは、良識テスト精度を維持しながら高い目標攻撃成功率を達成する。
論文 参考訳（メタデータ） (2026-03-31T06:48:25Z) - SpectralKrum: A Spectral-Geometric Defense Against Byzantine Attacks in Federated Learning [2.512941835598642]
Federated Learning (FL)は、データをローカルに保持するクライアントにモデルトレーニングを配布する。
本稿では、幾何学的近傍選択とスペクトル部分空間推定を融合させる防衛法であるSpectralKrumを紹介する。
5万6000回の訓練ラウンドにまたがる実験は、SpectralKrumが指向性およびサブスペース認識攻撃と競合していることを示している。
論文 参考訳（メタデータ） (2025-12-12T18:12:37Z) - Improving Black-Box Generative Attacks via Generator Semantic Consistency [51.470649503929344]
ジェネレーティブアタックは テスト時に 1つのフォワードパスで 敵の例を生成する
初期ジェネレータの中間機能をEMA教師に整列させることで意味的整合性を実現する。
我々のアプローチは、ブラックボックス転送の一貫性を保ちながら、既存のジェネレーティブアタックにシームレスに統合することができる。
論文 参考訳（メタデータ） (2025-06-23T02:35:09Z) - Bayesian Robust Aggregation for Federated Learning [42.29248343585333]
Federated Learningは、分散データに基づく機械学習モデルの協調トレーニングを可能にする。
敵の攻撃 クライアントの一部が モデル更新を 提出した時
ベイズ推定に基づくモデル更新のロバストアグリゲーションに対する適応的手法を提案する。
論文 参考訳（メタデータ） (2025-05-05T09:16:43Z) - Learn from the Past: A Proxy Guided Adversarial Defense Framework with
Self Distillation Regularization [53.04697800214848]
敵対的訓練(AT)は、ディープラーニングモデルの堅牢性を固める上で重要な要素である。
AT方式は、目標モデルの防御のために直接反復的な更新を頼りにしており、不安定な訓練や破滅的なオーバーフィッティングといった障害に頻繁に遭遇する。
汎用プロキシガイド型防衛フレームワークLAST(bf Pbf astから学ぶ)を提案する。
論文 参考訳（メタデータ） (2023-10-19T13:13:41Z) - Improving Adversarial Robustness to Sensitivity and Invariance Attacks
with Deep Metric Learning [80.21709045433096]
対向ロバスト性の標準的な方法は、サンプルを最小に摂動させることによって作られたサンプルに対して防御する枠組みを仮定する。
距離学習を用いて、最適輸送問題として逆正則化をフレーム化する。
予備的な結果から, 変分摂動の規則化は, 変分防御と敏感防御の両方を改善することが示唆された。
論文 参考訳（メタデータ） (2022-11-04T13:54:02Z) - Defending Substitution-Based Profile Pollution Attacks on Sequential
Recommenders [8.828396559882954]
本稿では,ある脆弱な要素を選択し,それを逆数要素に置換することで,入力シーケンスを修飾する置換型逆数攻撃アルゴリズムを提案する。
また、ディリクレ近傍サンプリングと呼ばれる効率的な対角防御手法を設計する。
特に,選択した項目を1ホットエンコーディングで表現し,エンコーディングの勾配上昇を行い,トレーニング中の項目埋め込みの最悪の場合の線形結合を探索する。
論文 参考訳（メタデータ） (2022-07-19T00:19:13Z) - Interpolated Joint Space Adversarial Training for Robust and
Generalizable Defenses [82.3052187788609]
敵の訓練(AT)は、敵の攻撃に対する最も信頼できる防御の1つと考えられている。
近年の研究では、新たな脅威モデルの下での対向サンプルによる一般化の改善が示されている。
我々は、JSTM(Joint Space Threat Model)と呼ばれる新しい脅威モデルを提案する。
JSTMでは,新たな敵攻撃・防衛手法が開発されている。
論文 参考訳（メタデータ） (2021-12-12T21:08:14Z) - Byzantine-robust Federated Learning through Spatial-temporal Analysis of
Local Model Updates [6.758334200305236]
フェデレートラーニング(FL)は、複数の分散クライアント(モバイルデバイスなど)が、クライアントにローカルにトレーニングデータを保持しながら、協調的に集中的なモデルをトレーニングすることを可能にする。
本稿では,これらの障害と攻撃を空間的・時間的観点から緩和することを提案する。
具体的には、パラメータ空間におけるそれらの幾何学的性質を活用することにより、不正な更新を検出し、排除するためにクラスタリングに基づく手法を用いる。
論文 参考訳（メタデータ） (2021-07-03T18:48:11Z) - Adaptive Feature Alignment for Adversarial Training [56.17654691470554]
CNNは通常、敵攻撃に対して脆弱であり、セキュリティに敏感なアプリケーションに脅威をもたらす。
任意の攻撃強度の特徴を生成するための適応的特徴アライメント(AFA)を提案する。
本手法は任意の攻撃強度の特徴を自動的に整列するように訓練されている。
論文 参考訳（メタデータ） (2021-05-31T17:01:05Z)
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。