論文の概要: When Does Trust Help? A Leakage-Free Evaluation of Representation- and Aggregation-Based Defenses Against Backdoors in Federated Intrusion Detection

• arxiv url: http://arxiv.org/abs/2610.14767v1
• Date: Sat, 10 Oct 2026 09:45:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 11:49:23.951645
• Title: When Does Trust Help? A Leakage-Free Evaluation of Representation- and Aggregation-Based Defenses Against Backdoors in Federated Intrusion Detection
• Title（参考訳）: 信頼はいつ助けになるのか : フェデレーション侵入検出におけるバックドアに対する表現と集約に基づく防御の漏れのない評価
• Abstract要約: フェデレートラーニング(Federated Learning)は、分散型侵入検知システム(IDS)をプライベートトラフィックでトレーニングする。 私は、共通の評価成果物を削除するために設計されたプロトコルの下で、これらの信頼ベースの防御を再検討します。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Federated learning (FL) lets distributed intrusion-detection systems (IDS) train on private traffic, but exposes the global model to poisoning and backdoor attacks under non-IID client data. A popular defense family scores or filters clients using a small trusted "root" dataset and the similarity of client behaviour to a trusted reference. I re-examine these trust-based defenses under a protocol designed to remove common evaluation artifacts: train-only feature standardization, a server root set disjoint from client data, multi-seed (n=6) runs with paired significance tests, formal (varepsilon, delta) accounting for DP-SGD, and a defense-aware adaptive attacker. Across three NIDS datasets (CSE-CIC-IDS2018, NF-ToN-IoT, NF-UNSW-NB15-v2) I find: (1) a representation-similarity aggregator (RepGuard) significantly improves classification utility and seed-stability over FLTrust under heavy non-IID poisoning, and - under severe heterogeneity or many adversaries - also lowers backdoor ASR substantially (e.g., 0.48 vs FLTrust 0.86 at Dirichlet alpha=0.1); (2) at strong trigger magnitudes no defense reduces backdoor attack success rate (ASR approx 0.95); (3) a controlled trigger-magnitude sweep shows defenses help only for small triggers (ASR 0.10 for RepGuard at magnitude 0.5, vs. 0.40 undefended) and collapse to ASR approx 1.0 by magnitude 2; (4) a triggered-canary check that assumes knowledge of the attacker's trigger - the assumption behind much prior "success" - lowers ASR from 0.49 to 0.12, i.e., trigger knowledge, not representation scoring, suppresses the backdoor; (5) correctly-accounted DP-SGD (varepsilon in [0.3, 16]) costs little utility but does not mitigate the backdoor. I release the protocol so future FL-IDS defenses can be evaluated without the leakage and oracle assumptions that inflate reported robustness.
• Abstract（参考訳）: フェデレート・ラーニング(FL)は、プライベートトラフィックにおける分散侵入検知システム(IDS)のトレーニングを可能にするが、非IIDクライアントデータによる中毒やバックドア攻撃に対するグローバルモデルを公開する。 一般的な防衛ファミリーは、小さな信頼された"root"データセットと、信頼された参照に対するクライアントの振る舞いの類似性を使用して、クライアントをスコアまたはフィルタリングする。 トレインオンリーの機能標準化、クライアントデータから切り離されたサーバルートセット、マルチシード(n=6)とペアの意義テスト、DP-SGDの正式な(varepsilon, delta)会計、および防衛対応アダプティブアタプタなどです。 3つのNIDSデータセット (CSE-CIC-IDS2018, NF-ToN-IoT, NF-UNSW-NB15-v2) 私は、(1) 表現類似性アグリゲータ(RepGuard)は、重い非IID中毒下でのFLTrustに対する分類ユーティリティとシード安定性を著しく改善し、 - 重度の異質性または多くの敵の下では、バックドアASRを大幅に低下させ(例えば、Dirichlet alpha=0.1); (2) 強力なトリガーサイズでは、バックドア攻撃の成功率(ASR Approx 0.95); (3) コントロールトリガー・マグニチュードは、小さなトリガー(ASR 0.10、RepGuard 0.0.5、ASR 0.4、ASR 0.1.0、ASR 0.4、ASR 0.4、ASR 0.4、ASR 0.5、ASR 0.5、ASR 0.5、ASR 0.5、ADP 0.5、ASR 0.5、ASR 0.5、ASR、ASR 0.5、ASR、ASR 0.5、ASR、ASR、ASR、ASR、ASR、ASR、ASR、ADP、ADP、ADP、ADP、ADP、ASR、ASR、ASR、ASR、ADP、ASR、ASR、ADP、ADP、ADP、ADP、ADP、ADP、A) を著しく低下させる。 今後のFL-IDS防御は、報告された堅牢性に影響を及ぼすリークやオラクルの仮定を使わずに評価できるようにプロトコルをリリースする。

関連論文リスト

• WaSA: Wavelet Scattering Autoencoders for Unsupervised Offline Detection of Malicious Clients in Federated Learning [51.56484100374058]
  Federated Learning(FL)は、生データを公開することなく、協調的なモデルトレーニングを可能にする。 我々は、悪意のあるクライアント検出のための完全に教師なしのオフラインフレームワーク、WaSAを提案する。 クリーンな補助データのみに基づいて訓練されたデノナイジングオートエンコーダは、学習された良性多様体からの偏差に基づいてクライアントをスコアする。
  論文  参考訳（メタデータ） (2026-10-09T08:10:10Z)
• Privacy Leakage in Federated Learning: Gradient-Based Client Identity Inference and Defenses for Inertial Sensing in Vehicular Edge Networks [1.656436183201117]
  送信重みデルタからのサーバ側クライアント識別推定について検討する。 軽量なクリップ・テーマ・ノイズ・ディフェンスのプライバシーとユーティリティのトレードオフを定量化する。
  論文  参考訳（メタデータ） (2026-09-02T09:49:39Z)
• 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)
• Trapping Attacker in Dilemma: Examining Internal Correlations and External Influences of Trigger for Defending GNN Backdoors [6.343815622517112]
  提案するPRAETORIANは,有効なGNNバックドアの本質的な要求をターゲットとした,新たな防衛法である。 私たちのキーとなる観察は、被害者ノードの予測をひっくり返すには、被害者に大きな影響を与える必要があるということです。 評価全体では、PRAETORIANは平均攻撃成功率(ASR)を0.55%まで下げるが、精度は0.62%しか低下しない(CA)。
  論文  参考訳（メタデータ） (2026-05-08T07:02:25Z)
• Coward: Toward Practical Proactive Federated Backdoor Defense via Collision-based Watermark [90.94234374893287]
  我々は、マルチバックドア衝突効果の発見に触発されて、Cowardと呼ばれる新しいプロアクティブディフェンスを導入する。 一般に,サーバから注入された,矛盾するグローバルな透かしが,保持されるのではなく,ローカルトレーニング中に消去されるかどうかを評価することで攻撃者を検出する。
  論文  参考訳（メタデータ） (2025-08-04T06:51:33Z)
• 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$%のF1スコアを達成している。
  論文  参考訳（メタデータ） (2024-07-05T01:53:21Z)
• Malicious Agent Detection for Robust Multi-Agent Collaborative Perception [52.261231738242266]
  多エージェント協調(MAC)知覚は、単エージェント認識よりも敵攻撃に対して脆弱である。 MAC知覚に特異的な反応防御であるMADE(Malicious Agent Detection)を提案する。 我々は、ベンチマーク3DデータセットV2X-simとリアルタイムデータセットDAIR-V2Xで包括的な評価を行う。
  論文  参考訳（メタデータ） (2023-10-18T11:36:42Z)
• G$^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。