Buchumschlag

FedRecAttack: Model Poisoning Attack to Federated Recommendation

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Rong, Dazhong, Ye, Shuai, Zhao, Ruoyan, Yuen, Hon Ning, Chen, Jianhai, He, Qinming
Format:	Preprint
Veröffentlicht:	2022
Schlagworte:	Cryptography and Security Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Poisoning Deep Learning Based Recommender Model in Federated Learning Scenarios
von: Rong, Dazhong, et al.
Veröffentlicht: (2022)

Preventing the Popular Item Embedding Based Attack in Federated Recommendations
von: Zhang, Jun, et al.
Veröffentlicht: (2025)

Clean-image Backdoor Attacks
von: Rong, Dazhong, et al.
Veröffentlicht: (2024)

FreqFed: A Frequency Analysis-Based Approach for Mitigating Poisoning Attacks in Federated Learning
von: Fereidooni, Hossein, et al.
Veröffentlicht: (2023)

FedRDF: A Robust and Dynamic Aggregation Function against Poisoning Attacks in Federated Learning
von: Campos, Enrique Mármol, et al.
Veröffentlicht: (2024)

GShield: Mitigating Poisoning Attacks in Federated Learning
von: M., Sameera K., et al.
Veröffentlicht: (2025)

Local Environment Poisoning Attacks on Federated Reinforcement Learning
von: Ma, Evelyn, et al.
Veröffentlicht: (2023)

FedCC: Robust Federated Learning against Model Poisoning Attacks
von: Jeong, Hyejun, et al.
Veröffentlicht: (2022)

Sybil-based Virtual Data Poisoning Attacks in Federated Learning
von: Zhu, Changxun, et al.
Veröffentlicht: (2025)

FedMID: A Data-Free Method for Using Intermediate Outputs as a Defense Mechanism Against Poisoning Attacks in Federated Learning
von: Han, Sungwon, et al.
Veröffentlicht: (2024)

SoK: Benchmarking Poisoning Attacks and Defenses in Federated Learning
von: Zhang, Heyi, et al.
Veröffentlicht: (2025)

Transferable Availability Poisoning Attacks
von: Liu, Yiyong, et al.
Veröffentlicht: (2023)

Using Anomaly Detection to Detect Poisoning Attacks in Federated Learning Applications
von: Raza, Ali, et al.
Veröffentlicht: (2022)

Partner in Crime: Boosting Targeted Poisoning Attacks against Federated Learning
von: Sun, Shihua, et al.
Veröffentlicht: (2024)

Towards Efficient and Certified Recovery from Poisoning Attacks in Federated Learning
von: Jiang, Yu, et al.
Veröffentlicht: (2024)

Unveiling Vulnerabilities of Contrastive Recommender Systems to Poisoning Attacks
von: Wang, Zongwei, et al.
Veröffentlicht: (2023)

Poison with Style: A Practical Poisoning Attack on Code Large Language Models
von: Tran, Khang, et al.
Veröffentlicht: (2026)

Defending Against Neural Network Model Inversion Attacks via Data Poisoning
von: Zhou, Shuai, et al.
Veröffentlicht: (2024)

A Data-Driven Defense against Edge-case Model Poisoning Attacks on Federated Learning
von: Purohit, Kiran, et al.
Veröffentlicht: (2023)

Defending Against Sophisticated Poisoning Attacks with RL-based Aggregation in Federated Learning
von: Wang, Yujing, et al.
Veröffentlicht: (2024)

Provable Watermarking for Data Poisoning Attacks
von: Zhu, Yifan, et al.
Veröffentlicht: (2025)

Poisoning Attacks and Defenses to Federated Unlearning
von: Wang, Wenbin, et al.
Veröffentlicht: (2025)

Manipulating Recommender Systems: A Survey of Poisoning Attacks and Countermeasures
von: Nguyen, Thanh Toan, et al.
Veröffentlicht: (2024)

FedPoisonTTP: A Threat Model and Poisoning Attack for Federated Test-Time Personalization
von: Iftee, Md Akil Raihan, et al.
Veröffentlicht: (2025)

Poisoned-MRAG: Knowledge Poisoning Attacks to Multimodal Retrieval Augmented Generation
von: Liu, Yinuo, et al.
Veröffentlicht: (2025)

How to Defend Against Large-scale Model Poisoning Attacks in Federated Learning: A Vertical Solution
von: Wang, Jinbo, et al.
Veröffentlicht: (2024)

Indiscriminate Data Poisoning Attacks on Neural Networks
von: Lu, Yiwei, et al.
Veröffentlicht: (2022)

ACE: A Model Poisoning Attack on Contribution Evaluation Methods in Federated Learning
von: Xu, Zhangchen, et al.
Veröffentlicht: (2024)

FedTrident: Resilient Road Condition Classification Against Poisoning Attacks in Federated Learning
von: Liu, Sheng, et al.
Veröffentlicht: (2026)

PoisonCatcher: Revealing and Identifying LDP Poisoning Attacks in IIoT
von: Shuai, Lisha, et al.
Veröffentlicht: (2024)

Poisoning Attacks and Defenses in Recommender Systems: A Survey
von: Wang, Zongwei, et al.
Veröffentlicht: (2024)

Shadowcast: Stealthy Data Poisoning Attacks Against Vision-Language Models
von: Xu, Yuancheng, et al.
Veröffentlicht: (2024)

A Systematic Review of Poisoning Attacks Against Large Language Models
von: Fendley, Neil, et al.
Veröffentlicht: (2025)

Model Hijacking Attack in Federated Learning
von: Li, Zheng, et al.
Veröffentlicht: (2024)

Inverting Gradient Attacks Makes Powerful Data Poisoning
von: Bouaziz, Wassim, et al.
Veröffentlicht: (2024)

SecureLearn -- An Attack-agnostic Defense for Multiclass Machine Learning Against Data Poisoning Attacks
von: Paracha, Anum, et al.
Veröffentlicht: (2025)

EAB-FL: Exacerbating Algorithmic Bias through Model Poisoning Attacks in Federated Learning
von: Meerza, Syed Irfan Ali, et al.
Veröffentlicht: (2024)

Devil's Hand: Data Poisoning Attacks to Locally Private Graph Learning Protocols
von: He, Longzhu, et al.
Veröffentlicht: (2025)

PoisonedParrot: Subtle Data Poisoning Attacks to Elicit Copyright-Infringing Content from Large Language Models
von: Panaitescu-Liess, Michael-Andrei, et al.
Veröffentlicht: (2025)

FedMIA: An Effective Membership Inference Attack Exploiting "All for One" Principle in Federated Learning
von: Zhu, Gongxi, et al.
Veröffentlicht: (2024)