論文の概要: Fine-grained Distributed Backdoor Attacks in Federated Learning
- arxiv url: http://arxiv.org/abs/2609.07147v1
- Date: Mon, 07 Sep 2026 07:46:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-10 19:44:08.379981
- Title: Fine-grained Distributed Backdoor Attacks in Federated Learning
- Title（参考訳）: フェデレートラーニングにおけるきめ細かい分散バックドアアタック
- Abstract要約: プライバシを保存する分散機械学習パラダイムとしてのフェデレーション学習は、バックドア攻撃による重大な脅威に直面している。
細粒度分散バックドアアタックフレームワーク(FDBA)を提案する。
このフレームワークは、動的トリガ生成と埋め込みベクター最適化を使用して、有毒なサンプルの少ないアタックを実行する。
- 参考スコア（独自算出の注目度）: 9.374638533613313
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Federated learning, as a privacy-preserving distributed machine learning paradigm, faces significant threats from backdoor attacks. Compared to centralized attacks, distributed backdoor attacks are more harmful but require more poisoned samples to compensate for the loss of trigger strength due to decomposition. Fixed trigger patterns are also easily detected by robust aggregation algorithms, increasing the risk of attack exposure. To address these challenges, we propose a fine-grained distributed backdoor attack framework (FDBA). This framework uses dynamic trigger generation and embedding vector optimization to perform attacks with fewer poisoned samples. First, we design a dynamic trigger generation method based on image edge structures using the Canny algorithm to extract edge features, which are then injected with Laplacian noise. RGB channel decomposition is applied for covert adaptation of the distributed trigger, reducing detection chances. Second, we introduce an embedding vector contrastive learning strategy that forces poisoned samples to approach the target class center in the feature space, enhancing attack effectiveness. On CIFAR-10, piecewise-linear estimates for target ASRs between 70\% and 90\% show that FDBA reduces the required poisoning ratio by 37.4\%--48.4\% compared with DBA. In non-independent and identically distributed (Non-IID) scenarios, FDBA retains 84.7\% of its IID attack performance under extreme heterogeneity, whereas DBA drops to 73.5\%, and the framework successfully bypasses mainstream defense mechanisms. This study offers new insights into federated learning security and emphasizes the potential threats and defense challenges posed by fine-grained distributed attacks.
- Abstract（参考訳）: プライバシ保護の分散機械学習パラダイムとしてのフェデレーション学習は、バックドア攻撃による重大な脅威に直面している。
集中攻撃と比較して、分散バックドア攻撃はより有害であるが、分解によるトリガー強度の喪失を補うために、より多くの有毒なサンプルを必要とする。
固定トリガーパターンはロバストアグリゲーションアルゴリズムによって容易に検出され、アタック露光のリスクが増大する。
これらの課題に対処するため、我々はきめ細かい分散バックドアアタックフレームワーク(FDBA)を提案する。
このフレームワークは、動的トリガ生成と埋め込みベクター最適化を使用して、有毒なサンプルの少ないアタックを実行する。
まず,Cannyアルゴリズムを用いて画像エッジ構造に基づく動的トリガ生成手法を設計し,これをラプラシアンノイズで注入する。
RGBチャネル分解は、分散トリガのカバート適応に適用され、検出確率が減少する。
第2に,有毒なサンプルを特徴空間のターゲットクラス中心に接近させ,攻撃効果を高めるための埋め込みベクトルコントラスト学習戦略を導入する。
CIFAR-10では、FDBAがDBAと比較して必要な中毒率を37.4\%--48.4\%減らすことが示されている。
非独立で同一に分散された(Non-IID)シナリオでは、FDBAは攻撃性能の84.7\%を極端均一性の下で保持する一方、DBAは73.5\%に低下し、主要な防御機構を回避した。
この研究は、フェデレートドラーニングセキュリティに関する新たな洞察を提供し、きめ細かい分散攻撃による潜在的な脅威と防御課題を強調している。
関連論文リスト
- TOFD: Target-Oriented Feature Decoupling against Poisoning Attacks in Split Federated Learning [2.5015678499211407]
Split Federated Learning (SFL)は、クライアント側のオーバーヘッドを減らすことで、プライバシ保護の協調トレーニングを容易にする。
ほとんどの既存の防衛は分割パラダイムを活用できず、初期の段階で悪意のある行動を検出し、包含する能力を制限する。
ToFD(Target-Oriented Feature Decoupling)は,広範囲な毒殺攻撃に対して,能動的検出と堅牢な最適化を共同で実現する統合フレームワークである。
論文 参考訳（メタデータ） (2026-08-07T14:34:24Z) - BadCLIP++: Stealthy and Persistent Backdoors in Multimodal Contrastive Learning [73.46118996284888]
マルチモーダル・コントラスト学習モデルに対するバックドア攻撃の研究は、ステルスネスと永続性という2つの大きな課題に直面している。
両課題に対処する統合フレームワークであるBadCLIP++を提案する。
ステルスネスのために,タスク関連領域付近に知覚不可能なパターンを埋め込むセマンティックフュージョンQRマイクロトリガーを導入する。
持続性については、半径縮小とセントロイドアライメントによるトリガ埋め込みを安定化する。
論文 参考訳（メタデータ） (2026-02-19T08:31:16Z) - CS-GBA: A Critical Sample-based Gradient-guided Backdoor Attack for Offline Reinforcement Learning [7.5200963577855875]
オフライン強化学習(RL)は、静的データセットからのポリシー最適化を可能にするが、バックドア攻撃に対して本質的に脆弱である。
我々は,厳格な予算の下で高い盗難と破壊性を達成すべく,CS-GBA(Critical Sample-based Gradient-Guided Backdoor Attack)を提案する。
論文 参考訳（メタデータ） (2026-01-15T13:57:52Z) - FAROS: Robust Federated Learning with Adaptive Scaling against Backdoor Attacks [9.466036066320946]
バックドア攻撃は連邦学習(FL)に重大な脅威をもたらす
適応微分スケーリング(ADS)とロバストコアセットコンピューティング(RCC)を組み合わせた拡張FLフレームワークであるFAROSを提案する。
RCCは、最も信頼性の高いクライアントからなるコアセットのセントロイドを計算することで、単一ポイント障害のリスクを効果的に軽減する。
論文 参考訳（メタデータ） (2026-01-05T06:55:35Z) - Unveiling Hidden Threats: Using Fractal Triggers to Boost Stealthiness of Distributed Backdoor Attacks in Federated Learning [12.575794412046628]
連合学習における従来の分散バックドア攻撃(DBA)は、グローバルトリガーをサブトリガーに分解することでステルスネスを改善する。
本稿では,サブトリガーの特徴強度を高めるために,Fractal-Triggerred Distributed Backdoor Attack (FTDBA)を提案する。
実験の結果、FTDBAの攻撃成功率は92.3%であり、従来のDBA法で必要とされる中毒量の62.4%に過ぎなかった。
論文 参考訳（メタデータ） (2025-11-12T12:15:54Z) - CopyrightShield: Enhancing Diffusion Model Security against Copyright Infringement Attacks [61.06621533874629]
拡散モデルは、攻撃者が戦略的に修正された非侵害画像をトレーニングセットに注入する著作権侵害攻撃に弱い。
まず、上記の攻撃に対して防御するための防御フレームワーク、PhiliptyShieldを提案する。
実験により,PhiliptyShieldは2つの攻撃シナリオで有毒なサンプル検出性能を著しく向上することが示された。
論文 参考訳（メタデータ） (2024-12-02T14:19:44Z) - DALA: A Distribution-Aware LoRA-Based Adversarial Attack against
Language Models [64.79319733514266]
敵攻撃は入力データに微妙な摂動をもたらす可能性がある。
最近の攻撃方法は比較的高い攻撃成功率(ASR)を達成することができる。
そこで本研究では,分散ロラをベースとしたDALA(Adversarial Attack)手法を提案する。
論文 参考訳（メタデータ） (2023-11-14T23:43:47Z) - DiffAttack: Evasion Attacks Against Diffusion-Based Adversarial
Purification [63.65630243675792]
拡散に基づく浄化防御は拡散モデルを利用して、敵の例の人工摂動を除去する。
近年の研究では、先進的な攻撃でさえ、そのような防御を効果的に破壊できないことが示されている。
拡散型浄化防衛を効果的かつ効率的に行うための統合フレームワークDiffAttackを提案する。
論文 参考訳（メタデータ） (2023-10-27T15:17:50Z) - 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) - Discriminator-Free Generative Adversarial Attack [87.71852388383242]
生成的ベースの敵攻撃は、この制限を取り除くことができる。
ASymmetric Saliency-based Auto-Encoder (SSAE) は摂動を生成する。
SSAEが生成した敵の例は、広く使われているモデルを崩壊させるだけでなく、優れた視覚的品質を実現する。
論文 参考訳（メタデータ） (2021-07-20T01:55:21Z) - Sparse and Imperceptible Adversarial Attack via a Homotopy Algorithm [93.80082636284922]
少数の敵対的攻撃は、数ピクセルを摂動するだけでディープ・ネットワーク(DNN)を騙すことができる。
近年の取り組みは、他の等級のl_infty摂動と組み合わせている。
本稿では,空間的・神経的摂動に対処するホモトピーアルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-06-10T20:11:36Z)
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。