Core Concepts
Consensus-based label verification and adaptive thresholding enhance security in federated learning against label-flipping attacks.
Abstract
この論文は、コンセンサスベースのラベル検証と適応的しきい値設定によって、フェデレーテッドラーニングのセキュリティを向上させ、ラベルフリッピング攻撃に対抗する方法を提案しています。提案された手法は、MNISTおよびCIFAR-10データセットでの理論的分析と実験的検証を通じて、不正環境でのモデルの整合性と精度を優れたものとしました。動的なしきい値調整とコンセンサス検証を統合することで、スケーラブルで効率的な防御メカニズムが提供され、複数の現実世界シナリオに適用可能です。結果は、不正行為への高い検出率や誤検知率が示されており、提案手法はFLシステムをラベルフリッピング攻撃から保護するための堅牢で信頼性の高い解決策として位置付けられています。
Stats
100 clients simulated for FL environment.
20% adversarial clients designated across all experiments.
Initial learning rate of 0.01 halved every five epochs.
Quotes
"Integrating dynamic threshold adaptation and consensus validation offers a scalable, efficient defense mechanism without imposing substantial computational overhead."
"Our algorithm maintains high accuracy levels and a robust detection rate against adversarial attacks."
"The heightened detection rates for adversarial activities affirm its strategic effectiveness in identifying and neutralizing potential threats."