检索结果-南通市图书馆

计算机应用 2024年

作者：林海力李京中国科学技术大学计算机科学与技术学院

在对隐私保护的需求不断增长的当今社会，联邦学习正受到广泛关注。然而，在联邦学习中，服务器难监管客户端的行为，致使懒惰客户端的存在为联邦学习的表现与公平性带来了潜在威胁。针对如何高效又准确辨别懒惰客户端的问题展开研究，... 详细信息

在对隐私保护的需求不断增长的当今社会，联邦学习正受到广泛关注。然而，在联邦学习中，服务器难监管客户端的行为，致使懒惰客户端的存在为联邦学习的表现与公平性带来了潜在威胁。针对如何高效又准确辨别懒惰客户端的问题展开研究，提出设置基于后门的工作证明方案，简称为FedBD。服务器为参与联邦学习的客户端额外指定更易检测的后门任务，客户端在训练原任务基础上训练后门任务，服务器通过后门任务的训练情况间接监管客户端行为。实验结果表明，在MNIST、CIFAR10等数据集上，相较于经典联邦平均算法(FedAvg)和先进的GTG-Shapley算法，FedBD有一定优势，在懒惰客户端占比设置为15%时，对比FedAvg准确率提升可达10个百分点以上，对比GTG-Shapley准确率提升约2个百分点。而且FedBD平均训练时间仅为GTG-Shapley的11.8%，在懒惰客户端占比10%时辨别懒惰客户端的准确率可超过99%，较好解决了懒惰客户端难以监管的问题。

关键词：联邦学习后门懒惰客户端工作证明数据异构

来源：

同方期刊数据库评论

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

一种支持安全联邦学习的主动保护模型水印框架

引用

计算机工程 2024年

作者：陈先意丁思哲王康闫雷鸣付章杰南京信息工程大学计算机学院网络空间安全学院南京信息工程大学数字取证教育部工程研究中心

作为一种新型的深度学习范式，联邦学习允许多个参与方在客户端本地共同训练模型，极大地保护了用户的数据隐私，得到了广泛关注和研究。然而，作为一种分布式学习方式，联邦学习极易遭受非法复制、恶意分发及客户端懒惰不作为等攻击。... 详细信息

作为一种新型的深度学习范式，联邦学习允许多个参与方在客户端本地共同训练模型，极大地保护了用户的数据隐私，得到了广泛关注和研究。然而，作为一种分布式学习方式，联邦学习极易遭受非法复制、恶意分发及客户端懒惰不作为等攻击。针对上述问题，提出一种支持安全联邦学习的主动保护模型水印框架，框架首先设计了一个基于护照层水印的个性化参数聚合方法，在解决水印冲突问题的同时防止懒惰客户端盗窃模型。其次，设计了一个基于向量承诺的全局水印聚合方法，有效抵御了恶意攻击者伪造私有水印进行歧义攻击。实验结果表明，与当前最好的FedIPR等相比，提出方法具有更高的水印容量，可以支持更大型的联邦学习系统；在差分隐私、客户端选择等安全联邦学习策略下能保持近100%的水印提取率，在遭遇微调、剪枝等攻击时也能保持98%以上的提取率。

关键词：版权保护联邦学习向量承诺歧义攻击懒惰客户端

来源：

同方期刊数据库评论

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：