論文の概要: StratFL: Countering Covert Model Poisoning Attacks with Strategic Federated Learning

• arxiv url: http://arxiv.org/abs/2610.22626v1
• Date: Thu, 15 Oct 2026 20:27:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 00:56:07.662074
• Title: StratFL: Countering Covert Model Poisoning Attacks with Strategic Federated Learning
• Title（参考訳）: StratFL: 戦略的フェデレーション学習による隠蔽モデル攻撃対策
• Abstract要約: 先進的持続的脅威(APT)は、医療や金融といった重要な分野における連邦学習(FL)の展開において大きな関心事である。 本稿では,攻撃者が間欠的に有毒モデルのアップデートを隠蔽的に注入する,隠蔽モデル中毒(CMP)と呼ばれる特定の種類のAPTに対処する。 StratFLと呼ばれる新しい敵探索アルゴリズムは、サーバと敵の両方で新しい信念更新アルゴリズムと共に設計されている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Advanced persistent threats (APTs) are a major concern in federated learning (FL) deployments in critical sectors such as healthcare, and finance. Traditional defense mechanisms fail to contain APTs due to their intermittent attacking behavior. This paper addresses a specific type of APT called covert model poisoning (CMP) where the attacker intermittently injects poisoned model updates in a covert manner. The interaction between the FL server and a CMP attacker is modeled as an imperfect repeated game where both players cannot observe each other's actions. A novel adversarial search algorithm called StratFL is designed alongside novel belief update algorithms at both the server and adversary. Experiments are designed using MNIST and CIFAR-10 datasets to evaluate and compare StratFL's performance against state-of-the-art methods. Empirical convergence of belief update algorithms is demonstrated across various security vignettes. At the same time, StratFL is found to exhibit an improved accuracy of 10% compared to state-of-the-art methods.
• Abstract（参考訳）: 先進的持続的脅威(APT)は、医療や金融といった重要な分野における連邦学習(FL)の展開において大きな関心事である。 従来の防御機構は、断続的な攻撃行動のためにAPTを含まない。 本稿では,攻撃者が間欠的に有毒モデルのアップデートを隠蔽的に注入する,隠蔽モデル中毒(CMP)と呼ばれる特定の種類のAPTに対処する。 FLサーバとCMP攻撃者の相互作用は、双方のプレイヤーが互いの行動を観察できない不完全な繰り返しゲームとしてモデル化される。 StratFLと呼ばれる新しい敵探索アルゴリズムは、サーバと敵の両方で新しい信念更新アルゴリズムと共に設計されている。 実験はMNISTとCIFAR-10データセットを用いて設計され、StratFLのパフォーマンスを最先端の手法と比較する。 信念更新アルゴリズムの実証的な収束は、様々なセキュリティヴィグネットで実証されている。 同時に、StratFLは最先端の手法に比べて10%の精度の改善が見られた。

関連論文リスト

• Sparsification Under Siege: Defending Against Poisoning Attacks in Communication-Efficient Federated Learning [9.911465831373423]
  フェデレートラーニング(FL)は、データプライバシを保持しながら、分散クライアント間で協調的なモデルトレーニングを可能にする。 通信効率と毒殺攻撃に対する脆弱性において、大きな課題に直面している。 スパースインデックスマスク検査とモデル更新符号類似性分析を統合した,新しいフェデレート学習フレームワークFLAREを提案する。
  論文  参考訳（メタデータ） (2025-04-30T14:59:13Z)
• R-TPT: Improving Adversarial Robustness of Vision-Language Models through Test-Time Prompt Tuning [69.72249695674665]
  視覚言語モデル(VLM)のためのロバストテスト時プロンプトチューニング(R-TPT)を提案する。 R-TPTは、推論段階における敵攻撃の影響を緩和する。 プラグアンドプレイの信頼性に基づく重み付きアンサンブル戦略を導入し,防御強化を図る。
  論文  参考訳（メタデータ） (2025-04-15T13:49:31Z)
• DMPA: Model Poisoning Attacks on Decentralized Federated Learning for Model Differences [9.077813103456206]
  モデル中毒攻撃において、悪意のある参加者は、妥協されたモデルを作成し、広めることで良性モデルの性能を低下させようとする。 本稿ではDMPAと呼ばれる革新的なモデル中毒攻撃を提案する。 複数の悪意のあるクライアントモデルの差分特性を計算し、最も効果的な毒殺戦略を得る。
  論文  参考訳（メタデータ） (2025-02-07T09:15:38Z)
• SoK: Benchmarking Poisoning Attacks and Defenses in Federated Learning [21.73177249075515]
  フェデレートラーニング(FL)は、データのプライバシを維持しながら協調的なモデルトレーニングを可能にするが、その分散された性質は、それをクライアント側データ中毒攻撃(DPA)とモデル中毒攻撃(MPAs)に公開する。 本稿では、DPAとMPAに対する防御を統一したベンチマークと分析し、これら2つの類似しているがわずかに異なるドメインの区別を明らかにすることを目的とする。
  論文  参考訳（メタデータ） (2025-02-06T06:05:00Z)
• Fake or Compromised? Making Sense of Malicious Clients in Federated Learning [15.91062695812289]
  本報告では, 各種毒素攻撃および防御凝集規則(AGR)の包括的分析について述べる。 既存の敵モデルを接続するために、敵のスペクトルの中間に位置するハイブリッド敵モデルを提示する。 我々は、FLシステムを設計する際に考慮すべきさまざまな脅威について、実践者や研究者に明確に理解することを目的としている。
  論文  参考訳（メタデータ） (2024-03-10T21:37:21Z)
• 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)
• Avoid Adversarial Adaption in Federated Learning by Multi-Metric Investigations [55.2480439325792]
  Federated Learning(FL)は、分散機械学習モデルのトレーニング、データのプライバシの保護、通信コストの低減、多様化したデータソースによるモデルパフォーマンスの向上を支援する。 FLは、中毒攻撃、標的外のパフォーマンス劣化とターゲットのバックドア攻撃の両方でモデルの整合性を損なうような脆弱性に直面している。 我々は、複数の目的に同時に適応できる、強い適応的敵の概念を新たに定義する。 MESASは、実際のデータシナリオで有効であり、平均オーバーヘッドは24.37秒である。
  論文  参考訳（メタデータ） (2023-06-06T11:44:42Z)

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。