論文の概要: Clean-label Poisoning Attack and Defense Game for Federated Learning in Vehicular Networks

• arxiv url: http://arxiv.org/abs/2610.32765v1
• Date: Fri, 23 Oct 2026 15:06:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 01:38:06.590939
• Title: Clean-label Poisoning Attack and Defense Game for Federated Learning in Vehicular Networks
• Title（参考訳）: 車両ネットワークにおけるフェデレーション学習のためのクリーンラベル中毒と防御ゲーム
• Abstract要約: フェデレートラーニング(FL)を用いた車両ネットワークにおけるクリーンラベル中毒と防御の相互作用について検討する。 FLにとって重要な脅威として、特徴空間のクリーンラベル攻撃が導入され、良質なサンプルが悪意のある機能極端に向かって邪魔される。 これに対抗するために, 不審なサンプルを検出し, 回避するために, 特徴一貫性を許容する防御法を提案する。
• 参考スコア（独自算出の注目度）: 4.498500079039081
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper studies interactions between clean-label poisoning attack and defense in vehicular networks using federated learning (FL). Basic Safety Message (BSM) classification for anomaly detection is modeled as a distributed learning problem over a vehicular network with dynamic topology. As a critical threat to FL, a feature-space clean-label attack is introduced, wherein benign samples are perturbed toward malicious feature extremes, degrading class separability while preserving labels. To counter this, a feature-consistency relabeling defense is proposed to detect and relabel suspicious samples. A game-theoretic framework is developed to capture attack-defense interactions and characterize equilibrium strategies based on attack effectiveness and cost parameters. Results show that the attack scales effectively with compromised nodes, while the proposed defense keeps attack success low without degrading clean accuracy and shifts equilibrium regions toward attack-averse regimes.
• Abstract（参考訳）: 本稿では,車両ネットワークにおけるクリーンラベル中毒攻撃と防御の相互作用について,フェデレートラーニング(FL)を用いて検討する。 異常検出のための基本安全メッセージ(BSM)分類は、動的トポロジーを持つ車両ネットワーク上での分散学習問題としてモデル化される。 FLにとって重要な脅威として、特徴空間のクリーンラベル攻撃が導入され、良質なサンプルは悪意のある機能極端に向かって摂動し、ラベルを保存しながらクラス分離性を低下させる。 これに対抗するために, 不審なサンプルを検出し, 回避するために, 特徴一貫性を許容する防御法を提案する。 ゲーム理論フレームワークは、攻撃防御相互作用を捕捉し、攻撃効果とコストパラメータに基づいて均衡戦略を特徴付ける。 以上の結果から,攻撃の精度を低下させることなく攻撃成功率を低く抑えつつ,攻撃回避体制に向けて平衡領域をシフトさせることなく,攻撃を効果的にスケールすることを示す。

関連論文リスト

• CSC: Turning the Adversary's Poison against Itself [23.878184947897765]
  中毒ベースのバックドア攻撃は、ディープニューラルネットワークに重大な脅威をもたらす。 本稿では,モデルトレーニング中のバックドア攻撃ダイナミクスの包括的解析を行う。 新規な防毒対策としてクラスター分離封止法(CSC)を提案する。
  論文  参考訳（メタデータ） (2026-04-23T08:30:53Z)
• BadDet+: Robust Backdoor Attacks for Object Detection [10.393154496941527]
  BadDet+は、Regional Misclassification Attacks(RMA)とObject Disappearance Attacks(ODA)を統合したペナルティベースのフレームワークである。 実世界のベンチマークでは、BadDet+は、クリーンなパフォーマンスを維持しながら既存のRMAやOdaベースラインよりも優れた合成と物理の転送を実現している。 これらの結果は、物体検出における重大な脆弱性と、特殊防御の必要性を浮き彫りにしている。
  論文  参考訳（メタデータ） (2026-01-28T21:46:33Z)
• Mitigating Label Flipping Attacks in Malicious URL Detectors Using Ensemble Trees [16.16333915007336]
  悪意のあるURLは、交通、医療、エネルギー、銀行など、様々な産業で敵対的な機会を提供する。 バックドア攻撃は、ラベルフリップ(LF)など、少数のトレーニングデータラベルを操作することで、良質なラベルを悪意のあるラベルに変更し、その逆を処理します。 本稿では,有毒なラベルの存在を検知するアラームシステムと,オリジナルクラスラベルの発見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） (2024-03-05T14:21:57Z)
• 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)
• Poisoning Network Flow Classifiers [10.055241826257083]
  本稿では,ネットワークトラフィックフロー分類器に対する毒性攻撃,特にバックドア攻撃に焦点を当てた。 学習データのみを改ざんすることを相手の能力に制約するクリーンラベル中毒の難易度シナリオについて検討した。 本稿では, モデル解釈可能性を利用したトリガー製作戦略について述べる。
  論文  参考訳（メタデータ） (2023-06-02T16:24:15Z)
• On Trace of PGD-Like Adversarial Attacks [77.75152218980605]
  敵対的攻撃は、ディープラーニングアプリケーションに対する安全性とセキュリティ上の懸念を引き起こす。 モデルの勾配一貫性を反映した適応応答特性(ARC)特性を構築する。 私たちの方法は直感的で、軽量で、非侵襲的で、データ不要です。
  論文  参考訳（メタデータ） (2022-05-19T14:26:50Z)
• AntidoteRT: Run-time Detection and Correction of Poison Attacks on Neural Networks [18.461079157949698]
  画像分類ネットワークに対する バックドア毒殺攻撃 本稿では,毒殺攻撃に対する簡易な自動検出・補正手法を提案する。 我々の手法は、一般的なベンチマークにおいて、NeuralCleanseやSTRIPといった既存の防御よりも優れています。
  論文  参考訳（メタデータ） (2022-01-31T23:42:32Z)
• Combating Adversaries with Anti-Adversaries [118.70141983415445]
  特に、我々の層は、逆の層とは反対の方向に入力摂動を生成します。 我々は,我々の階層と名目および頑健に訓練されたモデルを組み合わせることで,我々のアプローチの有効性を検証する。 我々の対向層は、クリーンな精度でコストを伴わずにモデルロバスト性を著しく向上させる。
  論文  参考訳（メタデータ） (2021-03-26T09:36:59Z)
• A Self-supervised Approach for Adversarial Robustness [105.88250594033053]
  敵対的な例は、ディープニューラルネットワーク(DNN)ベースの視覚システムにおいて破滅的な誤りを引き起こす可能性がある。 本稿では,入力空間における自己教師型対向学習機構を提案する。 これは、反逆攻撃に対する強力な堅牢性を提供する。
  論文  参考訳（メタデータ） (2020-06-08T20:42:39Z)
• Block Switching: A Stochastic Approach for Deep Learning Security [75.92824098268471]
  近年の敵対的攻撃の研究は、現代のディープラーニングモデルの脆弱性を明らかにしている。 本稿では、オン性に基づく敵攻撃に対する防御戦略であるBlock Switching(BS)を紹介する。
  論文  参考訳（メタデータ） (2020-02-18T23:14:25Z)

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。