Nov, 2022

FedTracker: 为联邦学习模型提供所有权验证和可追溯性

PDF
TL;DR本研究提出了 FedTracker—— 第一个 FL 模型保护框架，其采用全局水印和本地指纹分别验证全局模型的所有权以及追溯模型背后的罪犯。结果表明，FedTracker 在验证、追溯、保真度和鲁棒性方面是有效的。
federated learningmodel protectionownership verificationtraceabilitycontinual learning
发现论文，激发创造
  • FedRight：一种针对联邦学习的有效模型版权保护方案

    提出了基于模型指纹的 FedRight 方法，用于解决分散式机器学习框架中版权保护问题。该方法通过生成对抗性示例提取模型特征，检测器可通过训练神经网络来验证模型的版权。大量测试表明，FedRight 在模型的保密性、稳定性、适用性方面表现优异。

    Mar, 2023

  • 联邦学习与水印技术：知识产权保护的全面概述

    在联邦学习领域中，提供了对最近联邦学习水印技术的概述，揭示了在这一领域中出现的新挑战和机遇。

    Aug, 2023

  • 基于客户端后门的安全联邦学习水印验证框架

    本文提出了一种基于客户端的水印方案，使用梯度增强嵌入方法将预先设计的触发器集嵌入到 FL 模型中以解决安全 FL 中的版权保护问题，并且由于应用同态加密，导致中央服务器无法访问明文模型，因此不能使用现有的水印方案将水印嵌入到中央服务器。此外，我们提出了一个触发器集构建机制来保证水印不会被伪造，并通过实验结果证明了该方案具有优异的保护性能和抗各种攻击的鲁棒性。

    Nov, 2022

  • FedZKP：使用零知识证明的联邦模型所有权验证

    本文提出了一种名为 FedZKP 的可证明安全的模型所有权验证方案，它使用零知识证明来保护联邦模型的隐私不被抄袭或滥用，通过理论分析和实证研究证明了 FedZKP 的安全性和鲁棒性。

    May, 2023

  • 提升联邦学习系统中的数据溯源和模型透明度 - 一种数据库方法

    该论文提出了一个方法，通过使用密码学技术和高效的模型管理，来增强联邦学习系统中数据的来源和模型的透明度，旨在增强训练后模型的可重现性和可信度，从而解决数据一致性和解释性的问题。

    Mar, 2024

  • FLTracer：联邦学习中准确的攻击来源溯源

    本研究通过对现有 FL 攻击和检测方法进行综合研究，提出了 FLTracer，该方法能够准确检测各种攻击并追踪攻击时间、目标、类型和污染更新的位置，通过基于卡尔曼滤波器的跨轮次检测来识别攻击者，使检测方法对于数据异质性具有鲁棒性且能够在非独立分布的环境中有效工作。经过广泛的评估，FLTracer 在平均真阳性率高于 96.88% 的情况下，平均假阳性率低于 2.67%，明显优于现有的检测方法。

    Oct, 2023

  • 联邦学习的进展：模型、方法和隐私

    本文详细阐述了联邦学习的体系结构、应用问题、算法设计原则和安全问题，提出了一种更加通用的算法设计框架、攻击场景和防御方法，致力于将联邦学习与真实世界应用相集成并实现高性能、隐私保护和安全性。

    Feb, 2023

  • Fed-Credit：具有可信管理的稳健联邦学习

    基于可信度管理方案的鲁棒联邦学习方法，可以保护隐私并对抗恶意攻击。

    May, 2024

  • 5G 网络安全联邦学习框架

    本文提出了一种基于区块链的安全联邦学习框架，通过构建智能合约，自动执行防御策略，识别恶意攻击参与者，同时采用本地差分私有化技术，有效地防止中毒和成员推断攻击。

    May, 2020

  • FedTruth: 拜占庭容错和后门抵制的联邦学习框架

    FedTruth 是一种针对 FL 中的模型污染问题的鲁棒防御方法，通过动态聚合权重估计全局模型更新，考虑了所有良性客户的贡献，并在实证研究中证明了其对拜占庭攻击和后门攻击的毒化更新的影响有很好的缓解效果。

    Nov, 2023