論文の概要: STAIN-FL: Stealthy Targeted Attack Injection with Contextual Triggers in Federated Learning
- arxiv url: http://arxiv.org/abs/2608.23952v1
- Date: Tue, 25 Aug 2026 01:24:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-26 14:09:34.724309
- Title: STAIN-FL: Stealthy Targeted Attack Injection with Contextual Triggers in Federated Learning
- Title（参考訳）: STAIN-FL:フェデレーション学習における文脈トリガーを用いたステルス標的攻撃注入
- Authors: Ashlinder Kaur, Purnima Murali Mohan, Zengxiang Li, Tram Truong-Huu,
- Abstract要約: 本稿では,ステルスなバックドア攻撃注入フレームワークであるSTAIN-FLを紹介する。
低照度シーン、屋内設定、群衆密度など、自然に発生する監視条件をコンテキストトリガーとして使用する。
STAIN-FLをtextttUCF-Crimeで評価し,非IID4サイクル多重緊急設定における1024次元I3D特徴を用いた。
- 参考スコア（独自算出の注目度）: 4.717908620608989
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Federated video anomaly detection trains model collaboratively without sharing raw surveillance footage, but limited server-side visibility lets compromised clients to inject backdoor via malicious updates. This paper introduces STAIN-FL, a stealthy targeted backdoor attack injection framework that uses naturally occurring surveillance conditions, including low-light scenes, indoor settings, and crowd density, as contextual triggers. STAIN-FL combines anomaly-to-benign label \textit{manipulation} with gradient masking over least-updated coordinates to preserve clean accuracy while inducing trigger-conditioned misclassification. We evaluate STAIN-FL on \texttt{UCF-Crime} using 1024-dimensional I3D features in a non-IID four-client multi-agency setting, comparing FedAvg and FedProx under sparse and continuous attacks. Results show that sparse attacks have low-detectability, operationally significant attacks rather than high-intensity attacks: they keep the mean clean-accuracy drop below $2\%$, yet still misclassify more than half of triggered anomalies at peak backdoor accuracy under FedAvg ($56.7\%$) and FedProx ($54.2\%$). Under FedAvg, the sparse backdoor remains above the $25\%$ backdoor-accuracy threshold for an average of $336$ post-attack rounds, highlighting the persistence risk of contextually triggered attacks in surveillance systems.
- Abstract（参考訳）: フェデレートされたビデオ異常検出システムは、生の監視映像を共有せずに協調的にモデルをモデル化するが、サーバ側の可視性は限られているため、悪質なアップデートを通じてクライアントにバックドアを注入できる。
本稿では,低照度シーン,室内環境,群集密度など,自然に発生する監視条件をコンテキストトリガーとして利用する,ステルスなバックドア攻撃注入フレームワークであるSTAIN-FLを紹介する。
STAIN-FLは異常-良性ラベル \textit{manipulation} と最小更新座標上の勾配マスキングを組み合わせることで、トリガ条件の誤分類を誘導しながら、クリーンな精度を維持する。
我々は,FedAvgとFedProxをスパース攻撃と連続攻撃で比較し,STAIN-FLを1024次元I3D特徴量で評価した。
その結果、スパース攻撃は、高い強度攻撃よりも操作上重要な攻撃であり、平均的なクリーン精度の低下を2\%$以下に保ちながら、FedAvg(56.7\%$)およびFedProx(54.2\%$)のピークバックドア精度でトリガ異常の半分以上を誤分類していることがわかった。
FedAvgの下では、この粗末なバックドアは、平均で336ドル(約3万3000円)のバックドア精度閾値よりも高いままで、監視システムにおける文脈的に引き起こされた攻撃の持続リスクを浮き彫りにしている。
関連論文リスト
- SCRUB-FL: Sanitizing and Cleansing Representations via Unlearning of Backdoors [9.273743530407977]
Federated Learning (FL)は、生データを共有せずに協調的なモデルトレーニングを可能にする。
悪意のあるクライアントがモデル予測を操作するために、ローカルのトレーニングデータに隠れたトリガーを埋め込むバックドア攻撃に対して脆弱である。
SCRUB-FL, SCRUB-FLを提案する。
論文 参考訳（メタデータ） (2026-06-21T22:34:34Z) - Detecting and Mitigating Backdoor Attacks in OTA-FL Systems: A Two-Stage Robust Aggregation Scheme [27.75838619796163]
オーバー・ザ・エア・フェデレーション・ラーニング (OTA-FL) は無線チャネルの重ね合わせ特性を利用して通信効率を向上させる。
パラメータサーバは個々のローカル更新にアクセスできない。
OTA-FLにおけるバックドア攻撃に対する防御のための2段階のロバストアグリゲーションフレームワークを提案する。
論文 参考訳（メタデータ） (2026-05-19T01:57:31Z) - Robustness, Cost, and Attack-Surface Concentration in Phishing Detection [0.0]
設計されたウェブサイト上に構築されたフィッシング検出器は、i.d.評価の下でほぼ完璧な精度で機能する。
我々はこのギャップを、明示的な攻撃予算の下で個別の単調な特徴編集をモデル化するコスト認識回避フレームワークを通じて研究する。
論文 参考訳（メタデータ） (2026-03-19T17:53:32Z) - Reward Under Attack: Analyzing the Robustness and Hackability of Process Reward Models [68.45272703833209]
現状のPRMは、逆最適化圧力下で体系的に利用可能であることを示す。
これらの脆弱性を定量化するために、敵の圧力を増大させる3段階の診断フレームワークを導入する。
我々は、PRM-BiasBenchと診断ツールキットをリリースし、デプロイ前にロバストネスの評価を可能にする。
論文 参考訳（メタデータ） (2026-02-20T23:38:03Z) - Spectral Sentinel: Scalable Byzantine-Robust Decentralized Federated Learning via Sketched Random Matrix Theory on Blockchain [0.0]
ビザンチンのクライアントは、不均一な(Non-IID)データの下での濃度勾配を中毒する。
本稿では,ビザンチン検出・集約フレームワークであるSpectral Sentinelを提案する。
Polygonネットワーク上でブロックチェーンを統合することで,完全なシステムを実現しています。
論文 参考訳（メタデータ） (2025-12-14T09:43:03Z) - On the Out-of-Distribution Backdoor Attack for Federated Learning [11.027326855396288]
我々は,アウト・オブ・ディストリビューション・バックドア・アタック(mathttOBA$)と呼ばれる,連邦学習(FL)のための新しいバックドア・アタック・プロトタイプを紹介する。
本手法はFLのバックドア攻撃シナリオの範囲を大きく広げる。
私たちは$mathttBNGuard$を紹介します。
論文 参考訳（メタデータ） (2025-09-16T16:23:39Z) - Trigger without Trace: Towards Stealthy Backdoor Attack on Text-to-Image Diffusion Models [70.03122709795122]
テキストと画像の拡散モデルをターゲットにしたバックドア攻撃が急速に進んでいる。
現在のバックドアサンプルは良性サンプルと比較して2つの重要な異常を示すことが多い。
我々はこれらの成分を明示的に緩和することでTwT(Trigger without Trace)を提案する。
論文 参考訳（メタデータ） (2025-03-22T10:41:46Z) - Stealthy Patch-Wise Backdoor Attack in 3D Point Cloud via Curvature Awareness [52.780853311462636]
バックドア攻撃はディープニューラルネットワーク(DNN)に深刻な脅威をもたらす
既存の3Dポイントのクラウドバックドア攻撃は、サンプルワイドなグローバルな修正に依存している。
我々は,3Dポイントクラウド用のパッチワイドバックドアアタックフレームワークであるStealthy Patch-Wise Backdoor Attack (SPBA)を提案する。
論文 参考訳（メタデータ） (2025-03-12T12:30:59Z) - 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$%のF1スコアを達成している。
論文 参考訳（メタデータ） (2024-07-05T01:53:21Z) - G$^2$uardFL: Safeguarding Federated Learning Against Backdoor Attacks
through Attributed Client Graph Clustering [116.4277292854053]
Federated Learning (FL)は、データ共有なしで協調的なモデルトレーニングを提供する。
FLはバックドア攻撃に弱いため、有害なモデル重みがシステムの整合性を損なう。
本稿では、悪意のあるクライアントの識別を属性グラフクラスタリング問題として再解釈する保護フレームワークであるG$2$uardFLを提案する。
論文 参考訳（メタデータ） (2023-06-08T07:15:04Z)
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。