論文の概要: Targeted Label-Flipping and Oversampling Attacks on Federated Conditional GANs

• arxiv url: http://arxiv.org/abs/2608.09314v1
• Date: Mon, 10 Aug 2026 08:56:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-11 19:16:37.171937
• Title: Targeted Label-Flipping and Oversampling Attacks on Federated Conditional GANs
• Title（参考訳）: フェデレーション条件付きGANに対する目標ラベルフリップおよびオーバーサンプリング攻撃
• Authors: Panav Shah, Avishek Ghosh,
• Abstract要約: GANのための連合学習設定では、いくつかの敵攻撃が可能である。 このような攻撃の1つはラベルフリップであり、悪意のあるクライアントはグローバルジェネレータを操作するために、ローカルトレーニング中にラベル情報を意図的に変更する。
• 参考スコア（独自算出の注目度）: 8.823317238417834
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In a federated learning setup for GANs, several adversarial attacks are possible. One such attack is label flipping, in which malicious clients deliberately alter label information during local training in order to manipulate the global generator. The objective of this attack is to skew the learned generation distribution so that samples conditioned on a target label are instead mapped to a source class. In this work, we investigate the effectiveness of label flipping attacks in federated GANs through both theoretical analysis and empirical evaluation. We further consider an oversampling based variant, in which malicious clients upweight poisoned samples during local training to amplify their influence on the aggregated global model. We quantify the resulting distributional shift by computing the Kullback Leibler divergence between the clean and poisoned class conditional distributions, and show both analytically and on FEMNIST, MNIST, and CIFAR10 that the semantic damage of the attack grows linearly in the effective poisoning strength while deviation from the true target distribution grows only quadratically, making the attack effective yet difficult to detect from label agnostic metrics.
• Abstract（参考訳）: GANのための連合学習設定では、いくつかの敵攻撃が可能である。 このような攻撃の1つはラベルフリップであり、悪意のあるクライアントはグローバルジェネレータを操作するために、ローカルトレーニング中にラベル情報を意図的に変更する。 この攻撃の目的は、学習した生成分布をスキューし、ターゲットラベルに条件付きサンプルを代わりにソースクラスにマッピングすることである。 本研究では, ラベルフリップ攻撃の有効性について, 理論的解析と経験的評価の両面から検討した。 さらに, 局所訓練中に悪意のあるクライアントが有毒なサンプルを蓄積し, 集約されたグローバルモデルへの影響を増幅する, オーバーサンプリングに基づく変種についても検討する。 クリーンなクラス条件分布と有毒なクラス条件分布の間のKullback Leiblerの偏差を計算し、解析的にもFEMNIST, MNIST, CIFAR10上でも、攻撃の意味的損傷は有効中毒強度において直線的に増加し、真のターゲット分布からの偏差は2次的にしか増加せず、攻撃がラベルに依存しないメトリクスから検出することが困難であることを示す。

関連論文リスト

• Sample-wise Targeted Adversarial Attacks on Test-time Adaptation [1.7839351559374899]
  テスト時間適応(TTA)は、分散シフトに効果的に対処するが、ラベルのないテストストリームを介して、敵の操作にモデルを公開する。 より現実的な脅威を捉えるために、サンプルワイド攻撃を導入する。 従来のアプローチとは異なり、攻撃者は攻撃者によるトリガーを含む入力のみを誤分類することを目的としており、検出を回避するために良質なクエリのグローバルなラベル分布を保存している。
  論文  参考訳（メタデータ） (2026-05-22T09:18:22Z)
• Mind the Gap: Confidence Discrepancy Can Guide Federated Semi-Supervised Learning Across Pseudo-Mismatch [50.632535091877706]
  Federated Semi-Supervised Learning (FSSL)は、ラベル付きデータに制限のあるクライアント間でラベル付きデータを活用して、強力な一般化能力を持つグローバルモデルをトレーニングすることを目的としている。 ほとんどのFSSL手法は擬似ラベルによる整合正則化に依存しており、局所的またはグローバルなモデルからの予測を監督信号としてハード擬似ラベルに変換する。 擬似ラベルの品質は、フェデレーション学習の本質的な側面であるデータ不均一性によって大きく劣化していることを示す。
  論文  参考訳（メタデータ） (2025-03-17T14:41:51Z)
• Indiscriminate Disruption of Conditional Inference on Multivariate Gaussians [60.22542847840578]
  敵対的機械学習の進歩にもかかわらず、敵対者の存在下でのガウスモデルに対する推論は特に過小評価されている。 我々は,意思決定者の条件推論とその後の行動の妨害を希望する自己関心のある攻撃者について,一組の明らかな変数を乱すことで検討する。 検出を避けるため、攻撃者は、破損した証拠の密度によって可否が決定される場合に、攻撃が可否を示すことを望んでいる。
  論文  参考訳（メタデータ） (2024-11-21T17:46:55Z)
• Theory-inspired Label Shift Adaptation via Aligned Distribution Mixture [21.494268411607766]
  ADM(Aligned Distribution Mixture)という名称の革新的なラベルシフトフレームワークを提案する。 本フレームワークでは,分類器学習プロセスに修正を加えることで,4つの典型的なラベルシフト手法を改良する。 提案手法の特異性を考慮し,効率的な二段階最適化戦略を開発する。
  論文  参考訳（メタデータ） (2024-11-04T12:51:57Z)
• FreqFed: A Frequency Analysis-Based Approach for Mitigating Poisoning Attacks in Federated Learning [98.43475653490219]
  フェデレート・ラーニング(Federated Learning, FL)は、毒素による攻撃を受けやすい。 FreqFedは、モデルの更新を周波数領域に変換する新しいアグリゲーションメカニズムである。 FreqFedは, 凝集モデルの有用性に悪影響を及ぼすことなく, 毒性攻撃を効果的に軽減できることを実証した。
  論文  参考訳（メタデータ） (2023-12-07T16:56:24Z)
• Defending against the Label-flipping Attack in Federated Learning [5.769445676575767]
  フェデレーテッド・ラーニング(FL)は、参加する仲間にデザインによる自律性とプライバシを提供する。 ラベルフリッピング(LF)攻撃(英: label-flipping, LF)は、攻撃者がラベルをめくってトレーニングデータに毒を盛る攻撃である。 本稿では、まず、ピアのローカル更新からこれらの勾配を動的に抽出する新しいディフェンスを提案する。
  論文  参考訳（メタデータ） (2022-07-05T12:02:54Z)
• Learning and Certification under Instance-targeted Poisoning [49.55596073963654]
  インスタンスターゲット中毒攻撃におけるPAC学習性と認証について検討する。 敵の予算がサンプルの複雑さに比例してスケールすると、PACの学習性と認定が達成可能であることを示す。 実データセット上でのK近傍, ロジスティック回帰, 多層パーセプトロン, 畳み込みニューラルネットワークの堅牢性を実証的に検討する。
  論文  参考訳（メタデータ） (2021-05-18T17:48:15Z)
• MatchGAN: A Self-Supervised Semi-Supervised Conditional Generative Adversarial Network [51.84251358009803]
  本稿では,条件付き生成逆数ネットワーク(GAN)に対する,半教師付き環境下での自己教師型学習手法を提案する。 利用可能な数少ないラベル付きサンプルのラベル空間から無作為なラベルをサンプリングして拡張を行う。 本手法は,ベースラインのトレーニングに使用したラベル付きサンプルの20%に過ぎません。
  論文  参考訳（メタデータ） (2020-06-11T17:14:55Z)

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。