Belangrijkste concepten
Verbesserung der Sicherheit in Föderiertem Lernen durch konsensbasierte Validierung und adaptive Schwellenwerte.
Samenvatting
Einführung eines fortschrittlichen Ansatzes zur Stärkung von Föderierten Lernsystemen gegen Label-Flipping-Angriffe.
Kombination von konsensbasierter Validierung und adaptivem Schwellenwertmechanismus.
Experimente mit CIFAR-10 und MNIST zeigen signifikante Reduzierung von Angriffen und Stärkung der Systemresilienz.
Vergleich mit bestehenden Methoden zeigt überlegene Leistung in Genauigkeit, Angriffserkennungsrate und Fehlerquoten.
Statistieken
Unsere Methode zeigt eine Genauigkeit von 99,47% auf MNIST und 92,20% auf CIFAR-10.
Angriffserkennungsrate beträgt 90,26% auf MNIST und 85,33% auf CIFAR-10.
Falsch-Positiv-Rate von 0,00% auf MNIST und 2,00% auf CIFAR-10.
Citaten
"Unsere Methode übertrifft Methoden A und B in jeder bewerteten Metrik."
"Die adaptiven Schwellenwerte verbessern die Erkennungsrate von Angriffen signifikant."