一种新的抵御联邦学习中毒攻击的方法：使用自编码器增强的 LayerCAM

Jun, 2024

一种新的抵御联邦学习中毒攻击的方法：使用自编码器增强的 LayerCAM

A Novel Defense Against Poisoning Attacks on Federated Learning: LayerCAM Augmented with Autoencoder

Jingjing Zheng, Xin Yuan, Kai Li, Wei Ni, Eduardo Tovar...

TL;DR本文提出了一种新颖的防御策略 LayerCAM-AE 来对抗联邦学习中的模型污染攻击，通过整合 Layer Class Activation Mapping（LayerCAM）和自编码器（AE），显著增强了检测能力，实验结果表明 LayerCAM-AE 在联邦学习中提高了模型的检测率和准确性，超越了现有的防御模型 ResNet-50 和 REGNETY-800MF。

Abstract

Recent attacks on federated learning (FL) can introduce malicious model updates that circumvent widely adopted Euclidean distance-based detection methods. This paper proposes a novel defense strategy, referred to as lay

federated learning model poisoning layercam-ae autoencoder detection strategy

发现论文，激发创造

针对联邦学习的数据不可知模型污染：一种图自编码器方法

该研究提出了一种基于对抗图自编码器的新颖的数据无关型模型污染攻击方法，攻击者通过监听无害的本地模型和全局模型来提取其中的图结构关联，并用对抗性图结构和训练数据特征生成恶意本地模型，导致联邦学习的准确性逐渐下降，现有的防御机制无法检测这种攻击，对联邦学习构成严重威胁。

Nov, 2023

利用局部感知自编码器实现通用深度伪造检测

通过提出一种局部感知自编码器及主动学习框架，为解决当前面临的深度伪造检测的泛化问题提供了一条新的途径，可以更加准确地针对伪造区域进行判别，从而提高残缺的检测能力。

Sep, 2019

使用自编码压缩权重更新在大规模联邦学习中进行通信优化

本文提出一种基于自编码器（Autoencoders）的动态正交压缩权重更新的方法，该方法不仅可以在大规模联邦学习中实现高达 500x 至 1720x 等多种压缩比，而且还可以根据精度要求、计算容量等要求进行修改，从而成为一种有优势的替代或补充方式。

Aug, 2021

ARAE：对抗性训练的自编码器提高了新颖性检测

本文提出了一种新型自编码器，利用对抗鲁棒性来学习更具语义意义的特征以在新颖性检测问题中更好地重建正常数据，并提出奖励惩罚机制以解决自编码器过于泛化的问题，实验证明该方法在三个基准数据集上超越或与最先进的方法相竞争。

Mar, 2020

网络攻击检测中的可分离表示学习双自编码器模型

表示学习对于包括网络攻击检测在内的许多问题的成功起到了关键作用。大多数用于网络攻击检测的表示学习方法基于自动编码器（Auto-Encoder）模型的潜在向量。为了解决这个问题，我们提出了一种新的模型，称为双自动编码器（Twin Auto-Encoder，TAE）。 TAE 确定性地将潜在表示转换为更可区分的表示，即分离表示，并在输出中重构该分离表示。我们广泛评估了 TAE 的有效性，并发现 TAE 在广泛的基准数据集上表现优于最先进的表示学习模型和著名的机器学习算法。此外，TAE 在某些复杂和具有挑战性的攻击上也优于最先进的模型。接下来，我们对 TAE 的各种特性进行了深入研究，以进一步证明其优越性。

Mar, 2024

基于 GAN 的数据污染框架用于对抗垂直联邦学习中的异常检测

在垂直联邦学习中，通过保护数据隐私，商业实体共同训练一个模型。然而，恶意参与者的毒化攻击可能会降低这个合作模型的性能。为了解决这个挑战，本文引入了一种创新的端到端毒化框架 P-GAN。同时，我们还开发了一种基于深度自编码器（DAE）的异常检测算法，为垂直联邦学习情景提供了强大的防御机制。通过大量实验，我们评估了 P-GAN 和 DAE 的效能，并进一步分析了影响它们性能的因素。

Jan, 2024

利用变分图表示进行联邦学习模型中毒攻击

本文介绍了一种新的训练数据无控制模型污染攻击方法，该攻击针对联邦学习，在没有访问 FL 的训练数据的情况下，基于获取到的良性局部模型扩展了对抗性变分图自动编码器，从而生成了恶意局部模型。实验表明，基于该攻击方法的 VGAE-MP 攻击会导致联邦学习准确性下降，并且现有的防御机制无法检测到该攻击，对联邦学习构成严重威胁。

Apr, 2024

提高城市气象污染预测的对抗自编码器和对抗 LSTM

本文利用深度学习中的对抗训练方法，尤其是 PCA-based 对抗自编码器和 LSTM 网络的方法，提高了城市空气污染 CFD 模拟的预报精度。

Apr, 2021

使用 LSTM 模块和 KL 散度改进的 AutoEncoder

本文提出了改进的带 LSTM 模块和 KL 散度的自动编码器（IAE-LSTM-KL）模型，通过添加 LSTM 网络来记忆正常数据的特征表示，并通过 KL 散度对特征输入到 SVDD 模块进行惩罚，从而解决了深度卷积自动编码器和深度支持向量数据描述模型在检测异常数据时存在的问题。实验结果表明，IAE-LSTM-KL 模型在异常检测方面具有更高的准确性，并且对数据集中的异常点污染也具有增强的鲁棒性。

Apr, 2024

基于重构的 LSTM 自编码器用于多变量时间序列数据的异常 DDoS 攻击检测

本研究提出了一种基于 LSTM-Autoencoder 模型的异常检测方法，可以识别 DDoS 攻击的深层模式并获得高精度的检测结果，尤其是在 LDAP 攻击方面表现出了 99% 以上的准确度。

Apr, 2023