論文の概要: STAR-FL: Secure Federated Learning with Spatial-Temporal Analysis and Robust Aggregation

• arxiv url: http://arxiv.org/abs/2608.14861v1
• Date: Fri, 14 Aug 2026 19:55:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-18 19:59:03.104551
• Title: STAR-FL: Secure Federated Learning with Spatial-Temporal Analysis and Robust Aggregation
• Title（参考訳）: STAR-FL:空間時間解析とロバスト集約によるセキュアなフェデレーション学習
• Abstract要約: データ中毒攻撃は、コンピュータビジョンにおけるフェデレートラーニング(FL)システムに深刻なセキュリティ上の脅威をもたらす。 FL(STAR-FL)のための空間時間解析とロバスト集約による標的毒攻撃に対する新しい防御枠組みを提案する。
• 参考スコア（独自算出の注目度）: 2.8231278244044273
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Data poisoning attacks pose serious security threats to Federated Learning (FL) systems in Computer Vision. Despite growing research attention, two key challenges remain for existing defense techniques: (1) accurately distinguishing between benign and malicious model updates and (2) effectively mitigating the influence of poisoned model updates during model aggregation. To address these challenges, we propose a novel defense framework against targeted poisoning attacks with Spatial-Temporal Analysis and Robust aggregation for FL (STAR-FL). First, we employ spatial-temporal clustering to identify and remove potentially malicious updates from the FL training process. Second, we adjust the learning rate during aggregation to mitigate the impact of any malicious updates that evade detection. Third, we conduct extensive experiments across multiple benchmark datasets to evaluate the spatial-temporal analysis and robust aggregation in STAR-FL. Experimental results demonstrate their synergistic effect in enabling STAR-FL to effectively protect FL and consistently outperform state-of-the-art defenses against targeted poisoning attacks, significantly reducing Attack Success Rates (ASRs). The source code is available at https://github.com/mlsysx/STAR-FL.
• Abstract（参考訳）: データ中毒攻撃は、コンピュータビジョンにおけるフェデレートラーニング(FL)システムに深刻なセキュリティ上の脅威をもたらす。 研究の関心が高まりつつも,(1)良性モデル更新と悪意モデルアップデートを正確に区別すること,(2)モデルアグリゲーションにおける有毒モデル更新の影響を効果的に緩和すること,の2つが既存の防衛技術にとって重要な課題である。 これらの課題に対処するために, FL (STAR-FL) のための空間時間解析とロバスト集約による標的毒殺攻撃に対する新しい防御枠組みを提案する。 まず、FLトレーニングプロセスから潜在的に悪意のある更新を識別・削除するために、時空間クラスタリングを用いる。 第2に、アグリゲーション中の学習率を調整し、検出を回避する悪意のある更新の影響を軽減する。 第3に,STAR-FLにおける空間時間解析とロバストアグリゲーションを評価するために,複数のベンチマークデータセットにまたがる広範囲な実験を行った。 実験の結果、STAR-FLがFLを効果的に保護し、標的の毒殺攻撃に対する最先端の防御を一貫して上回り、アタック成功率(ASR)を著しく低下させるという相乗効果が示された。 ソースコードはhttps://github.com/mlsysx/STAR-FLで公開されている。

関連論文リスト

• Unveiling the Security Risks of Federated Learning in the Wild: From Research to Practice [50.84321144889696]
  フェデレーテッド・ラーニング(FL)は学術と産業の両方で大きな注目を集めている。 しかし、実際のセキュリティ姿勢はよく分かっていない。 本稿では,FLのセキュリティを計測の観点から再考する。
  論文  参考訳（メタデータ） (2026-03-21T03:19:05Z)
• Not All Edges are Equally Robust: Evaluating the Robustness of Ranking-Based Federated Learning [49.68790647579509]
  Federated Ranking Learning (FRL) は最先端のFLフレームワークであり、通信効率と中毒攻撃に対するレジリエンスで際立っている。 Vulnerable Edge Manipulation (VEM) 攻撃という, FRLに対する新たな局所モデル中毒攻撃を導入する。 我々の攻撃は、全体的な53.23%の攻撃効果を達成し、既存の方法よりも3.7倍のインパクトを与える。
  論文  参考訳（メタデータ） (2025-03-12T00:38:14Z)
• Federated Learning for Anomaly Detection in Energy Consumption Data: Assessing the Vulnerability to Adversarial Attacks [0.8576354642891824]
  異常検出は、機器の故障、エネルギー盗難、その他の問題を示す不規則なパターンを特定するために、エネルギーセクターにおいて不可欠である。 ローカルデータを共有せずに分散学習を可能にするため、フェデレートラーニング(FL)が人気を集めている。 本稿では,FLによるエネルギーデータ中の異常検出の脆弱性を敵攻撃に対して評価する。
  論文  参考訳（メタデータ） (2025-02-07T16:08:20Z)
• Formal Logic-guided Robust Federated Learning against Poisoning Attacks [6.997975378492098]
  Federated Learning (FL)は、集中型機械学習(ML)に関連するプライバシー問題に対して、有望な解決策を提供する。 FLは、敵クライアントがトレーニングデータやモデル更新を操作して全体的なモデルパフォーマンスを低下させる、毒殺攻撃など、さまざまなセキュリティ上の脅威に対して脆弱である。 本稿では,時系列タスクにおけるフェデレート学習における中毒攻撃の軽減を目的とした防御機構を提案する。
  論文  参考訳（メタデータ） (2024-11-05T16:23:19Z)
• Celtibero: Robust Layered Aggregation for Federated Learning [0.0]
  Celtiberoは, 対向操作に対する強靭性を高めるため, 層状アグリゲーションを統合した新しい防御機構である。 セルティベロは、標的外および標的標的の毒殺攻撃において、最小攻撃成功率(ASR)を維持しつつ、常に高い主タスク精度(MTA)を達成することを実証した。
  論文  参考訳（メタデータ） (2024-08-26T12:54:00Z)
• Efficient Adversarial Training in LLMs with Continuous Attacks [99.5882845458567]
  大規模言語モデル(LLM)は、安全ガードレールをバイパスできる敵攻撃に対して脆弱である。 本稿では,2つの損失からなる高速対向訓練アルゴリズム(C-AdvUL)を提案する。 C-AdvIPOは、対向的に堅牢なアライメントのためのユーティリティデータを必要としない、対向型のIPOである。
  論文  参考訳（メタデータ） (2024-05-24T14:20:09Z)
• 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)
• Data-Agnostic Model Poisoning against Federated Learning: A Graph Autoencoder Approach [65.2993866461477]
  本稿では,フェデレートラーニング(FL)に対するデータに依存しないモデル中毒攻撃を提案する。 この攻撃はFLトレーニングデータの知識を必要とせず、有効性と検出不能の両方を達成する。 実験により、FLの精度は提案した攻撃の下で徐々に低下し、既存の防御機構では検出できないことが示された。
  論文  参考訳（メタデータ） (2023-11-30T12:19:10Z)
• Analyzing the vulnerabilities in SplitFed Learning: Assessing the robustness against Data Poisoning Attacks [0.45687771576879593]
  この研究は、SplitFed Learning(SFL)におけるデータ中毒攻撃の影響を研究、分析、提示するための最も初期の試みである。 本研究では,SFLに対する標的外攻撃,標的外攻撃,遠隔攻撃の3種類の新規攻撃戦略を提案する。 心電図信号分類と自動手書き文字認識の2つの異なるケーススタディに対して,提案手法を検証した。
  論文  参考訳（メタデータ） (2023-07-04T00:37:12Z)
• FLIP: A Provable Defense Framework for Backdoor Mitigation in Federated Learning [66.56240101249803]
  我々は,クライアントの強固化がグローバルモデル(および悪意のあるクライアント)に与える影響について検討する。 本稿では, 逆エンジニアリングによる防御手法を提案するとともに, 堅牢性を保証して, 改良を実現できることを示す。 競合する8つのSOTA防御法について, 単発および連続のFLバックドア攻撃に対して, 提案手法の実証的優位性を示した。
  論文  参考訳（メタデータ） (2022-10-23T22:24:03Z)

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。