FL-GUARD：负面联合学习运行时检测和恢复的整体框架

Mar, 2024

FL-GUARD：负面联合学习运行时检测和恢复的整体框架

FL-GUARD: A Holistic Framework for Run-Time Detection and Recovery of Negative Federated Learning

Hong Lin, Lidan Shou, Ke Chen, Gang Chen, Sai Wu

TL;DRFL-GUARD 是一个动态检测负面联邦学习并在必要时激活恢复措施的综合框架，具备成本效益的 NFL 检测机制，对不愿或不能采取恢复措施的客户鲁棒，并与先前的 NFL 解决方案兼容。

Abstract

federated learning (FL) is a promising approach for learning a model from data distributed on massive clients without exposing data privacy. It works effectively in the ideal federation where clients share homogeneous data distribution and learning behavior. However, FL may fail to fun

federated learning negative federated learning fl-guard nfl detection recovery measures

发现论文，激发创造

G$^2$uardFL: 基于归属客户端图聚类的防御联合学习后门攻击方法

G$^2$uardFL 是一种保护性框架，通过使用客户端图聚类技术识别恶意客户端，并采用自适应方法来增强聚合模型和被毒化客户模型之间的差异，从而消除之前嵌入的后门。

Jun, 2023

TrustFed：一种具有恶意攻击抵抗能力的可靠联邦学习框架

提出了一种层次化审计的联邦学习（HiAudit-FL）框架，使用模型审计和参数审计两个阶段来增强学习过程的可靠性和安全性，并通过基于扩散模型的 AI-Enabled 审计选择策略（ASS）和深度强化学习（DRL）框架设计了高效的 DRL-ASS 算法来识别和处理潜在的恶意用户。

Dec, 2023

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

FLShield：基于验证的联邦学习防御毒化攻击的框架

本文提出了一种名为 FLShield 的新颖 FL 框架，利用来自 FL 参与者的良性数据验证本地模型，以确保安全性和可靠性，并防止恶意参与者的攻击，同时保护本地数据的隐私。

Aug, 2023

FL Games：一种用于分布偏移的联邦学习框架

本文提出了 FL Games，这是一个博弈理论框架，旨在通过学习跨领域不变关系来改善联邦学习中的预测模型泛化，FL Games 在多个基准测试中展现了高超的领域外表现。

May, 2022

自然语言处理的安全高效联邦学习框架

本文介绍了一种名为 SEFL 的安全高效联邦学习框架，它消除了训练所需的可信实体，提高了模型准确性，又能适应客户端退出等问题。通过 NLP 任务的实验研究表明，SEFL 与现有的 FL 方案具有可比性，且提出的剪枝技术可以提高运行时性能高达 13.7 倍。

Jan, 2022

FLGuard: 基于对比模型的拜占庭安全联邦学习

FLGuard 是一种新的拜占庭 - 鲁棒联邦学习方法，通过利用对比学习技术检测恶意客户端并丢弃恶意本地更新，设计 FLGuard 作为一种集成方案来最大化其防御能力，在各种中毒攻击下广泛评估 FLGuard，并与现有的拜占庭 - 鲁棒联邦学习方法的全局模型的准确性进行比较，在大多数情况下，FLGuard 优于现有的防御方法，并在非独立和标识分布设置下展现了巨大的改进。

Mar, 2024

联邦学习中评估渗漏攻击的框架

本文提出了一个原则性框架来评估和比较不同形式的客户隐私泄漏攻击。我们提供了正式和实验分析表明，攻击者可以通过分析本地训练的共享参数更新 (例如，本地梯度或权重更新向量) 来重构私有本地训练数据。该论文还分析了联邦学习中不同超参数配置和攻击算法设置对攻击效果和代价的影响，并且给出了在使用通信高效的 FL 协议时不同梯度压缩比下客户隐私泄漏攻击的有效性的测量、评估和分析。最后，我们提供了一些初步的缓解策略，以突出提供系统化的攻击评估框架来深入了解联邦学习中各种形式的客户隐私泄漏威胁并发展攻击缓解的理论基础。

Apr, 2020

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

安全地使用私有数据：大规模语言模型的联邦学习框架

我们提出了一种用于大型语言模型的联邦学习框架 FL-GLM，通过在本地客户端放置输入块和输出块以防止来自服务器的嵌入梯度攻击，使用密钥加密来防止来自对端客户端的逆向工程攻击，并采用客户端批处理或服务器分层等优化方法来提高训练效率。通过在 NLU 和生成任务上的实验结果，证明了 FL-GLM 与集中式 chatGLM 模型具有可比较的指标，验证了我们的联邦学习框架的有效性。

Jun, 2024