Buchumschlag

Lotto: Secure Participant Selection against Adversarial Servers in Federated Learning

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Jiang, Zhifeng, Ye, Peng, He, Shiqi, Wang, Wei, Chen, Ruichuan, Li, Bo
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Cryptography and Security
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Armadillo: Robust Single-Server Secure Aggregation for Federated Learning with Input Validation
von: Ma, Yiping, et al.
Veröffentlicht: (2025)

Robust Client-Server Watermarking for Split Federated Learning
von: Tang, Jiaxiong, et al.
Veröffentlicht: (2025)

Securing Federated Learning with Control-Flow Attestation: A Novel Framework for Enhanced Integrity and Resilience against Adversarial Attacks
von: Alsulaimawi, Zahir
Veröffentlicht: (2024)

Flamingo: Multi-Round Single-Server Secure Aggregation with Applications to Private Federated Learning
von: Ma, Yiping, et al.
Veröffentlicht: (2023)

Bandwidth-Efficient Two-Server ORAMs with O(1) Client Storage
von: Wang, Wei, et al.
Veröffentlicht: (2025)

SMTFL: Secure Model Training to Untrusted Participants in Federated Learning
von: Zhao, Zhihui, et al.
Veröffentlicht: (2025)

Per-element Secure Aggregation against Data Reconstruction Attacks in Federated Learning
von: Suimon, Takumi, et al.
Veröffentlicht: (2025)

Vertical Federated Learning for Effectiveness, Security, Applicability: A Survey
von: Ye, Mang, et al.
Veröffentlicht: (2024)

AdRo-FL: Informed and Secure Client Selection for Federated Learning in the Presence of Adversarial Aggregator
von: Hossain, Md. Kamrul, et al.
Veröffentlicht: (2025)

Securing Federated Learning against Backdoor Threats with Foundation Model Integration
von: Bi, Xiaohuan, et al.
Veröffentlicht: (2024)

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

Guaranteeing Data Privacy in Federated Unlearning with Dynamic User Participation
von: Liu, Ziyao, et al.
Veröffentlicht: (2024)

Enhancing Privacy of Spatiotemporal Federated Learning against Gradient Inversion Attacks
von: Zheng, Lele, et al.
Veröffentlicht: (2024)

Understanding Byzantine Robustness in Federated Learning with A Black-box Server
von: Zhao, Fangyuan, et al.
Veröffentlicht: (2024)

Integrating Identity-Based Identification against Adaptive Adversaries in Federated Learning
von: Szelag, Jakub Kacper, et al.
Veröffentlicht: (2025)

FLSSM: A Federated Learning Storage Security Model with Homomorphic Encryption
von: Li, Yang, et al.
Veröffentlicht: (2025)

The Communication-Friendly Privacy-Preserving Machine Learning against Malicious Adversaries
von: Lu, Tianpei, et al.
Veröffentlicht: (2024)

ByzSFL: Achieving Byzantine-Robust Secure Federated Learning with Zero-Knowledge Proofs
von: Fan, Yongming, et al.
Veröffentlicht: (2025)

Label Inference Attacks against Federated Unlearning
von: Wang, Wei, et al.
Veröffentlicht: (2025)

Quantum Vanguard: Server Optimized Privacy Fortified Federated Intelligence for Future Vehicles
von: Gurung, Dev, et al.
Veröffentlicht: (2025)

Boosting Communication Efficiency of Federated Learning's Secure Aggregation
von: Nazemi, Niousha, et al.
Veröffentlicht: (2024)

A First Measurement Study on Authentication Security in Real-World Remote MCP Servers
von: Zhou, Huijun, et al.
Veröffentlicht: (2026)

Secure Aggregation in Federated Learning using Multiparty Homomorphic Encryption
von: Hosseini, Erfan, et al.
Veröffentlicht: (2025)

Secure and Private Federated Learning: Achieving Adversarial Resilience through Robust Aggregation
von: Yang, Kun, et al.
Veröffentlicht: (2025)

Unveiling the Security Risks of Federated Learning in the Wild: From Research to Practice
von: Chen, Jiahao, et al.
Veröffentlicht: (2026)

Adversarial Attack Based Countermeasures against Deep Learning Side-Channel Attacks
von: Gu, Ruizhe, et al.
Veröffentlicht: (2020)

CSC: Turning the Adversary's Poison against Itself
von: Shi, Yuchen, et al.
Veröffentlicht: (2026)

TAPFed: Threshold Secure Aggregation for Privacy-Preserving Federated Learning
von: Xu, Runhua, et al.
Veröffentlicht: (2025)

Sigil: Server-Enforced Watermarking in U-Shaped Split Federated Learning via Gradient Injection
von: Dai, Zhengchunmin, et al.
Veröffentlicht: (2025)

NanoZone: Scalable, Efficient, and Secure Memory Protection for Arm CCA
von: Liu, Shiqi, et al.
Veröffentlicht: (2025)

BadFU: Backdoor Federated Learning through Adversarial Machine Unlearning
von: Lu, Bingguang, et al.
Veröffentlicht: (2025)

Protection against Source Inference Attacks in Federated Learning
von: Athanasiou, Andreas, et al.
Veröffentlicht: (2026)

Refiner: Data Refining against Gradient Leakage Attacks in Federated Learning
von: Fan, Mingyuan, et al.
Veröffentlicht: (2022)

Towards Imperceptible Adversarial Defense: A Gradient-Driven Shield against Facial Manipulations
von: Li, Yue, et al.
Veröffentlicht: (2025)

Hear No Evil: Detecting Gradient Leakage by Malicious Servers in Federated Learning
von: Wang, Fei, et al.
Veröffentlicht: (2025)

The Emerged Security and Privacy of LLM Agent: A Survey with Case Studies
von: He, Feng, et al.
Veröffentlicht: (2024)

DYNAMITE: Dynamic Defense Selection for Enhancing Machine Learning-based Intrusion Detection Against Adversarial Attacks
von: Chen, Jing, et al.
Veröffentlicht: (2025)

MCP Pitfall Lab: Exposing Developer Pitfalls in MCP Tool Server Security under Multi-Vector Attacks
von: Hao, Run, et al.
Veröffentlicht: (2026)

Adaptive Exploit Generation against Security Devices and Security APIs
von: Künnemann, Robert, et al.
Veröffentlicht: (2024)

A Practical Adversarial Attack against Sequence-based Deep Learning Malware Classifiers
von: Tan, Kai, et al.
Veröffentlicht: (2025)