基于声誉的联邦学习防御策略在脑电图信号分类中的应用

Oct, 2023

基于声誉的联邦学习防御策略在脑电图信号分类中的应用

Reputation-Based Federated Learning Defense to Mitigate Threats in EEG Signal Classification

Zhibo Zhang, Pengfei Li, Ahmed Y. Al Hammadi, Fusen Guo, Ernesto Damiani...

TL;DR该研究提出了一种基于声誉的威胁缓解框架，针对联邦学习中的脑电图（EEG）信号分类的潜在安全威胁进行防御。实验证明该框架在 EEG 信号分类方面表现良好，同时降低了与安全威胁相关的风险。

Abstract

This paper presents a reputation-based threat mitigation framework that defends potential security threats in electroencephalogram (EEG) signal classification during model aggregation of federated learning. While

reputation-based threat mitigation electroencephalogram (eeg) signal classification federated learning data poisoning attacks privacy

发现论文，激发创造

基于联邦迁移学习的脑电信号分类

本文提出了一种基于联邦学习的隐私保护深度学习架构，名称为 FTL，用于 EEG 分类，通过领域自适应技术从多个受试者的 EEG 数据中提取共同的区分信息。在实验中，FTL 方法在保护隐私的前提下，相对于其他最先进的 DL 架构，在 2 类动作想象分类任务中进行了性能评估，表现出更好的性能。

Apr, 2020

通过联邦学习聚合内在信息以提升脑机接口性能

通过使用分层个性化的联邦学习框架，本研究提出了一种解决脑机接口领域缺乏多样数据的问题的综合方法，能够提升脑电图（EEG）解码的分类性能并充分利用来自不同设备的数据集之间的知识共享，为解决该问题提供了全新的端到端解决方案。

Aug, 2023

HHHFL：基于分层异构横向联邦学习的脑电信号分析

本研究提出了一种基于异构联邦学习方法的脑电分类技术，解决了隐私保护和数据异构性这两个问题，实验结果证明该方法能够在各种不同任务中实现可靠的性能提升。

Sep, 2019

Fed-Safe: 在医疗保健中保护联邦学习免受对抗攻击

该研究探讨了医学图像分析中联邦学习应用的安全方面。通过引入联邦环境中的分布式噪音，可以开发出具备对抗攻击鲁棒性并符合联邦隐私标准的模型。研究结果表明，引入分布式噪音可达到与传统对抗训练相当的安全水平，同时需要更少的样本进行重新训练。

Oct, 2023

针对联邦学习的威胁调查：攻击和防御的概念、分类法、实验研究和挑战

本文对联邦学习的隐私保护问题进行了广泛的研究和探讨，提出了对应的防御方法并对防御方法的选择提出了指导建议，研究得出了关于攻击和防御行为的进一步结论以及面临的挑战和经验教训。

Jan, 2022

探索联邦学习中的对抗性攻击与医学成像

评估联邦学习网络在医学图像分析中对对抗性攻击的脆弱性，结果显示领域特定配置可以显著增加攻击者的成功率，强调了对有效的防御机制的迫切需求，并建议对联邦医学图像分析系统的当前安全协议进行重要重新评估。

Oct, 2023

基于脑 - 机接口的 EEG 对抗性伪影检测

本文首次研究了基于 EEG 的脑机接口中的对抗检测问题，并使用三个卷积神经网络对两个 EEG 数据集进行了实验，结果表明，白盒攻击和黑盒攻击都可以被检测到，但前者更容易被检测。

Nov, 2022

联邦学习：在数据智能和隐私之间取得平衡

本文提供了一种系统的概述和分类，涵盖了联邦学习的现有安全挑战以及针对数据污染，推断攻击和模型毒化攻击的防御技术。此外，还探讨了处理非独立同分布数据、高维度问题和异构架构的联邦学习的当前训练挑战，并提出了解决相关挑战的几种解决方案。最后，我们讨论了联邦学习训练中剩余的挑战，并提出了针对开放问题的研究方向建议。

Apr, 2022

联邦学习的安全与隐私问题

分布式学习中的联邦学习存在安全和隐私挑战，本研究针对各类机器学习模型，包括大型语言模型，提出了安全和隐私挑战的综合分类，重点关注聚合器和参与者的攻击，包括投毒攻击、后门攻击、成员推断攻击、生成对抗网络攻击和差分隐私攻击，同时提出了未来研究的新方向，旨在强化联邦学习系统以应对新兴安全风险并保护分布式学习环境中的敏感数据隐私。

Jul, 2023

通过联邦学习增强物联网安全对抗 DDoS 攻击

通过利用联邦学习技术，本研究提出了一种创新的策略来加强物联网网络对分布式拒绝服务攻击的安全性，实时检测并减轻攻击的影响，同时保护敏感数据的隐私。研究结果表明，在非独立非同分布数据集中，FedAvgM 的聚合算法优于 FedAvg，提供更好的稳定性和性能。

Mar, 2024