May, 2024

基于注意力分类器的联邦持续学习节点在鲁棒性网络钓鱼检测中的疗效探索：实证研究

PDF
TL;DR提出了结合联邦学习和持续学习的新型混合范式，通过分布式节点在新的网络钓鱼数据流上持续更新模型，同时引入基于注意机制的分类器模型和残差连接来捕捉复杂的网络钓鱼模式，从而实现了强大的网络钓鱼检测性能。
发现论文，激发创造
  • 针对鲁棒联邦学习的恶意客户检测学习

    本文提出了一个新的框架，通过使用一个强大的检测模型，中央服务器可以学习来检测和移除恶意模型更新，从而实现有针对性的防御，以确保对拜占庭攻击和有针对性的模型毒化攻击具有鲁棒性的联合学习。

    Feb, 2020

  • 攻击自适应聚合的鲁棒联邦学习

    针对联邦学习存在的毒化模型和后门攻击等安全威胁，我们提出了一种基于注意力机制的神经网络攻击自适应的聚合策略。我们的方法可以在数据驱动的方式下，有效应对各种攻击，特别是对图像和文本数据集中的模型毒化和后门攻击的防御具有竞争力的表现。

    Feb, 2021

  • 一种蒸馏为基础的方法，用于集成连续学习和联邦学习，用于普及服务

    本篇论文提出了一种基于蒸馏的方法，用于解决联邦学习场景中的灾难性遗忘问题，以人类活动识别任务作为演示领域。

    Sep, 2021

  • 知识融合的联邦持续学习：综述

    Federated Continual Learning (FCL) integrates federated learning and continual learning to address the challenge of data privacy and silos, by fusing heterogeneous knowledge from different clients and retaining knowledge of previous tasks while learning on new ones, through methods such as synchronous FCL and asynchronous FCL.

    Dec, 2023

  • 基于知识蒸馏的分布式连续学习在普适计算中的应用

    本文提出了一种基于蒸馏的联邦继续学习方法，通过使用定期收集的客户端数据逐步适应接收到的模型，以减少存储数据的量，避免灾难性遗忘问题，并在人类活动识别领域进行了评估。

    Jul, 2022

  • 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

  • FedCC: 模型投毒攻击下的强韧联邦学习

    Federated Learning 新范式弥补了使用机器或深度学习模型时隐私泄漏的担忧。FedCC 通过比较 net 不同层的标准核对其表示，提供了强大的聚合。实验结果表明，它缓解了非定向和有目的的模型污染或后门攻击，并且在非独立同分布数据环境中也有效。

    Dec, 2022

  • 点对点联邦学习中的持续学习：自动脑转移识别研究

    本研究证明了持续学习可以提高数据有限的中心的脑转移识别性能，可以实现多中心协作的点对点联邦学习的可行性，共享中间模型而不是训练数据可以促进深度学习算法的多中心协作。

    Apr, 2022

  • 针对 IoT 持续认证的热身和知识迁移基础联邦学习方法

    通过整合人工智能和联邦学习的方法来训练用户的机器学习模型，实现连续的行为认证和会话真实性来保证用户的数据隐私与安全。

    Nov, 2022

  • 自适应优化解决联邦渐进学习中的客户漂移问题

    本文提出了一种 Federated Continual Learning（FCL）系统，用于解决连续学习中的客户端漂移问题，并使用自适应联邦优化来减少其不良影响。作者进一步评估了该框架的可扩展性、对客户端数据分布失衡的鲁棒性以及对固定时间的影响。

    Mar, 2022