登入
洞見 - 聯邦學習安全
基於區塊鏈的多層計算系統中，數位孿生輔助的聯邦學習
本文提出了一種基於區塊鏈和數位孿生的聯邦學習方案，用於解決工業 4.0 環境中資源受限設備參與模型訓練的安全和隱私問題。
聯邦學習中的異常客戶端檢測
本文提出了一種安全的聯邦學習演算法，通過檢測和排除異常客戶端來提高模型的準確性和收斂速度。
基於去中心化屬性加密和區塊鏈的聯邦學習框架：FL-DABE-BC，增強物聯網場景中的隱私、去中心化身份驗證和安全通信
FL-DABE-BC 框架結合去中心化屬性加密 (DABE)、同態加密 (HE)、安全多方計算 (SMPC) 和區塊鏈技術，解決物聯網環境中聯邦學習的隱私和安全問題，實現安全高效的協作學習。
Meta Stackelberg 博弈：針對自適應和混合中毒攻擊的魯棒聯邦學習
本文提出了一種名為 meta-Stackelberg 博弈 (meta-SG) 的新穎框架，用於在聯邦學習中防禦自適應和混合中毒攻擊，透過模擬攻擊行為進行預訓練和線上適應，以實現對抗資訊不對稱和動態攻擊的魯棒且自適應的防禦策略。
聯邦行為平面：解釋聯邦學習中客戶行為的演變
聯邦行為平面 (FBP) 是一種分析和視覺化聯邦學習系統中客戶端行為的新方法，可以識別客戶端行為的異常現象，並基於此提出了一種名為聯邦行為防護 (FBS) 的魯棒聚合技術，用於檢測惡意或噪聲客戶端模型，從而增強安全性。
© 2024 by Linnk AI