Buchumschlag

Towards Understanding Adversarial Transferability in Federated Learning

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Li, Yijiang, Gao, Ying, Wang, Haohan
Format:	Preprint
Veröffentlicht:	2023
Schlagworte:	Machine Learning Computer Vision and Pattern Recognition
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Towards Adversarially Robust Dataset Distillation by Curvature Regularization
von: Xue, Eric, et al.
Veröffentlicht: (2024)

Approximate Nullspace Augmented Finetuning for Robust Vision Transformers
von: Liu, Haoyang, et al.
Veröffentlicht: (2024)

Choosing Wisely and Learning Deeply: Selective Cross-Modality Distillation via CLIP for Domain Generalization
von: Leng, Jixuan, et al.
Veröffentlicht: (2023)

Why Does Little Robustness Help? A Further Step Towards Understanding Adversarial Transferability
von: Zhang, Yechao, et al.
Veröffentlicht: (2023)

HEART-PFL: Stable Personalized Federated Learning under Heterogeneity with Hierarchical Directional Alignment and Adversarial Knowledge Transfer
von: Kim, Minjun, et al.
Veröffentlicht: (2026)

Dataset Distillation via the Wasserstein Metric
von: Liu, Haoyang, et al.
Veröffentlicht: (2023)

Theoretical Understanding of Learning from Adversarial Perturbations
von: Kumano, Soichiro, et al.
Veröffentlicht: (2024)

Bag of Tricks to Boost Adversarial Transferability
von: Zhang, Zeliang, et al.
Veröffentlicht: (2024)

FLIP: Towards Comprehensive and Reliable Evaluation of Federated Prompt Learning
von: Liao, Dongping, et al.
Veröffentlicht: (2025)

Strong Transferable Adversarial Attacks via Ensembled Asymptotically Normal Distribution Learning
von: Fang, Zhengwei, et al.
Veröffentlicht: (2022)

Federated Hybrid Training and Self-Adversarial Distillation: Towards Robust Edge Networks
von: Qiao, Yu, et al.
Veröffentlicht: (2024)

On the Mechanisms of Adversarial Data Augmentation for Robust and Adaptive Transfer Learning
von: Satou, Hana, et al.
Veröffentlicht: (2025)

Towards Multi-modal Transformers in Federated Learning
von: Sun, Guangyu, et al.
Veröffentlicht: (2024)

Benchmarking Transferable Adversarial Attacks
von: Jin, Zhibo, et al.
Veröffentlicht: (2024)

Beyond Finite Data: Towards Data-free Out-of-distribution Generalization via Extrapolation
von: Li, Yijiang, et al.
Veröffentlicht: (2024)

Federated Adversarial Domain Adaptation
von: Peng, Xingchao, et al.
Veröffentlicht: (2019)

X-Transfer Attacks: Towards Super Transferable Adversarial Attacks on CLIP
von: Huang, Hanxun, et al.
Veröffentlicht: (2025)

Adversarial-Robust Transfer Learning for Medical Imaging via Domain Assimilation
von: Chen, Xiaohui, et al.
Veröffentlicht: (2024)

AIM: Additional Image Guided Generation of Transferable Adversarial Attacks
von: Li, Teng, et al.
Veröffentlicht: (2025)

Federated Balanced Learning
von: Li, Jiaze, et al.
Veröffentlicht: (2026)

MetaSlot: Break Through the Fixed Number of Slots in Object-Centric Learning
von: Liu, Hongjia, et al.
Veröffentlicht: (2025)

Crafting Adversarial Inputs for Large Vision-Language Models Using Black-Box Optimization
von: Guan, Jiwei, et al.
Veröffentlicht: (2026)

Improving Adversarial Transferability via Model Alignment
von: Ma, Avery, et al.
Veröffentlicht: (2023)

Understanding Adversarial Robustness from Feature Maps of Convolutional Layers
von: Xu, Cong, et al.
Veröffentlicht: (2022)

Transferable Adversarial Attacks on Black-Box Vision-Language Models
von: Hu, Kai, et al.
Veröffentlicht: (2025)

FedCVU: Federated Learning for Cross-View Video Understanding
von: Zhang, Shenghan, et al.
Veröffentlicht: (2026)

Towards Sparse Video Understanding and Reasoning
von: Xu, Chenwei, et al.
Veröffentlicht: (2026)

Understanding Adversarial Training with Energy-based Models
von: Mirza, Mujtaba Hussain, et al.
Veröffentlicht: (2025)

Boosting Adversarial Transferability via Ensemble Non-Attention
von: Zou, Yipeng, et al.
Veröffentlicht: (2025)

Similarity of Neural Architectures using Adversarial Attack Transferability
von: Hwang, Jaehui, et al.
Veröffentlicht: (2022)

Towards Model Resistant to Transferable Adversarial Examples via Trigger Activation
von: Yu, Yi, et al.
Veröffentlicht: (2025)

Transferability Bound Theory: Exploring Relationship between Adversarial Transferability and Flatness
von: Fan, Mingyuan, et al.
Veröffentlicht: (2023)

Transferable Adversarial Examples with Bayes Approach
von: Fan, Mingyuan, et al.
Veröffentlicht: (2022)

Towards Understanding How Knowledge Evolves in Large Vision-Language Models
von: Wang, Sudong, et al.
Veröffentlicht: (2025)

Class-wise Balancing Data Replay for Federated Class-Incremental Learning
von: Qi, Zhuang, et al.
Veröffentlicht: (2025)

Understanding Task Transfer in Vision-Language Models
von: Sachdeva, Bhuvan, et al.
Veröffentlicht: (2025)

Understanding CNNs from excitations
von: Ying, Zijian, et al.
Veröffentlicht: (2022)

BadLabel: A Robust Perspective on Evaluating and Enhancing Label-noise Learning
von: Zhang, Jingfeng, et al.
Veröffentlicht: (2023)

Exploring the Practicality of Federated Learning: A Survey Towards the Communication Perspective
von: Le, Khiem, et al.
Veröffentlicht: (2024)

Going Further: Flatness at the Rescue of Early Stopping for Adversarial Example Transferability
von: Gubri, Martin, et al.
Veröffentlicht: (2023)