RFLPA: 안전한 집계를 사용하여 포이즈닝 공격에 대한 강력한 연합 학습 프레임워크
RFLPA는 보안 집계(SecAgg) 프로토콜을 기반으로 포이즈닝 공격에 강력한 연합 학습 프레임워크를 제안하여 개인정보 보호 및 강력성 문제를 해결하면서 특히 고차원 모델에서 통신 비용을 줄입니다.
파운데이션 모델 기반 연합 학습 집계: FedBaF (FedBaF: 파운데이션 모델에 의해 편향된 연합 학습 집계)
FedBaF는 FL 클라이언트에게 파운데이션 모델을 공개하지 않고도 작업 특정 글로벌 모델 집계 단계에서 사전 훈련된 파운데이션 모델 가중치를 동적으로 통합하여 개인 정보를 보호하면서 정확도를 높이는 새로운 연합 학습 방법입니다.
메타 스태켈버그 게임: 적응형 및 혼합 중독 공격에 대한 강력한 연합 학습
본 논문에서는 다양하고 적응적인 공격 유형에 대한 강력하고 효율적인 방어 메커니즘을 제공하기 위해 메타 학습과 스태켈버그 게임 이론을 결합한 새로운 연합 학습 방어 프레임워크를 제안합니다.
연합 행동 평면: 연합 학습에서 클라이언트 행동 진화 설명
연합 학습 시스템의 클라이언트 행동을 시각화하고 분석하는 새로운 방법인 '연합 행동 평면(FBP)'을 소개하며, 이를 통해 시스템 역학을 설명하고 악의적인 클라이언트를 탐지하여 보안을 강화합니다.
개인정보 침해 공격을 활용한 무임승차자 탐지: FRIDA
본 논문에서는 연합 학습 환경에서 개인정보 추론 공격을 활용하여 학습에 기여하지 않는 무임승차자 클라이언트를 효과적으로 탐지하는 FRIDA 프레임워크를 제안합니다.
악의적인 사용자를 퇴출하라! 영지식 증명 검증을 활용한 연합 학습에서의 조건부 이상 탐지
본 논문에서는 악의적인 클라이언트 모델을 식별하고 제거하기 위해 실제 연합 학습 시스템을 위해 특별히 설계된 새로운 이상 탐지 접근 방식을 제안합니다. 이 접근 방식은 공격이 발생했을 때만 후속 이상 탐지를 활성화하는 조기 교차 라운드 검사를 활용하며, 영지식 증명을 통해 클라이언트가 서버에서 수행된 제거의 무결성을 확인할 수 있도록 합니다.
© 2024 by Linnk AI