Buchumschlag

Robust Federated Learning Mitigates Client-side Training Data Distribution Inference Attacks

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Xu, Yichang, Yin, Ming, Fang, Minghong, Gong, Neil Zhenqiang
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Cryptography and Security Distributed, Parallel, and Cluster Computing Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Provably Robust Federated Reinforcement Learning
von: Fang, Minghong, et al.
Veröffentlicht: (2025)

Find a Scapegoat: Poisoning Membership Inference Attack and Defense to Federated Learning
von: Mo, Wenjin, et al.
Veröffentlicht: (2025)

Toward Malicious Clients Detection in Federated Learning
von: Dou, Zhihao, et al.
Veröffentlicht: (2025)

Byzantine-Robust Decentralized Federated Learning
von: Fang, Minghong, et al.
Veröffentlicht: (2024)

Split Learning without Local Weight Sharing to Enhance Client-side Data Privacy
von: Pham, Ngoc Duy, et al.
Veröffentlicht: (2022)

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

FedGuard: A Diverse-Byzantine-Robust Mechanism for Federated Learning with Major Malicious Clients
von: Jiang, Haocheng, et al.
Veröffentlicht: (2025)

SecureSplit: Mitigating Backdoor Attacks in Split Learning
von: Dou, Zhihao, et al.
Veröffentlicht: (2026)

DarkFed: A Data-Free Backdoor Attack in Federated Learning
von: Li, Minghui, et al.
Veröffentlicht: (2024)

PPFPL: Cross-silo Privacy-preserving Federated Prototype Learning Against Data Poisoning Attacks
von: Zhang, Hongliang, et al.
Veröffentlicht: (2025)

CLIP: Client-Side Invariant Pruning for Mitigating Stragglers in Secure Federated Learning
von: DiMaggio, Anthony, et al.
Veröffentlicht: (2025)

PCDM: A Diffusion-Based Data Poisoning Attack Against Federated Learning Systems
von: Sun, Wei, et al.
Veröffentlicht: (2026)

SecureAFL: Secure Asynchronous Federated Learning
von: Gao, Anjun, et al.
Veröffentlicht: (2026)

Leveraging MTD to Mitigate Poisoning Attacks in Decentralized FL with Non-IID Data
von: Feng, Chao, et al.
Veröffentlicht: (2024)

On the Hardness of Decentralized Multi-Agent Policy Evaluation under Byzantine Attacks
von: Hairi, et al.
Veröffentlicht: (2024)

Random Client Selection on Contrastive Federated Learning for Tabular Data
von: Ginanjar, Achmad, et al.
Veröffentlicht: (2025)

Anomalous Client Detection in Federated Learning
von: Thakur, Dipanwita, et al.
Veröffentlicht: (2024)

Securing Distributed Network Digital Twin Systems Against Model Poisoning Attacks
von: Zhang, Zifan, et al.
Veröffentlicht: (2024)

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

Impact of Conflicting Transactions in Blockchain: Detecting and Mitigating Potential Attacks
von: Bappy, Faisal Haque, et al.
Veröffentlicht: (2024)

Practical Framework for Privacy-Preserving and Byzantine-robust Federated Learning
von: Zhang, Baolei, et al.
Veröffentlicht: (2025)

FL-PBM: Pre-Training Backdoor Mitigation for Federated Learning
von: Wehbi, Osama, et al.
Veröffentlicht: (2026)

Characterization of GPU TEE Overheads in Distributed Data Parallel ML Training
von: Lee, Jonghyun, et al.
Veröffentlicht: (2025)

Voyager: MTD-Based Aggregation Protocol for Mitigating Poisoning Attacks on DFL
von: Feng, Chao, et al.
Veröffentlicht: (2023)

Attack Graph Generation on HPC Clusters
von: Li, Ming, et al.
Veröffentlicht: (2025)

Defending Against Data Reconstruction Attacks in Federated Learning: An Information Theory Approach
von: Tan, Qi, et al.
Veröffentlicht: (2024)

Variational Autoencoder-Based Black-Box Adversarial Attack on Collaborative DNN Inference
von: Yousefi, Shima, et al.
Veröffentlicht: (2025)

Lancelot: Towards Efficient and Privacy-Preserving Byzantine-Robust Federated Learning within Fully Homomorphic Encryption
von: Jiang, Siyang, et al.
Veröffentlicht: (2024)

DP2Guard: A Lightweight and Byzantine-Robust Privacy-Preserving Federated Learning Scheme for Industrial IoT
von: Han, Baofu, et al.
Veröffentlicht: (2025)

Efficient Query Verification for Blockchain Superlight Clients Using SNARKs
von: De Angelis, Stefano, et al.
Veröffentlicht: (2025)

Not All Edges are Equally Robust: Evaluating the Robustness of Ranking-Based Federated Learning
von: Gong, Zirui, et al.
Veröffentlicht: (2025)

SkyMask: Attack-agnostic Robust Federated Learning with Fine-grained Learnable Masks
von: Yan, Peishen, et al.
Veröffentlicht: (2023)

Beyond Denial-of-Service: The Puppeteer's Attack for Fine-Grained Control in Ranking-Based Federated Learning
von: Chen, Zhihao, et al.
Veröffentlicht: (2026)

A Whole-Process Certifiably Robust Aggregation Method Against Backdoor Attacks in Federated Learning
von: Zhou, Anqi, et al.
Veröffentlicht: (2024)

The Robustness of Spiking Neural Networks in Federated Learning with Compression Against Non-omniscient Byzantine Attacks
von: Nguyen, Manh V., et al.
Veröffentlicht: (2025)

Detecting Backdoor Attacks in Federated Learning via Direction Alignment Inspection
von: Xu, Jiahao, et al.
Veröffentlicht: (2025)

Towards Fair, Robust and Efficient Client Contribution Evaluation in Federated Learning
von: Zhang, Meiying, et al.
Veröffentlicht: (2024)

Collaborative Learning Framework to Detect Attacks in Transactions and Smart Contracts
von: Khoa, Tran Viet, et al.
Veröffentlicht: (2023)

Secure, Verifiable, and Scalable Multi-Client Data Sharing via Consensus-Based Privacy-Preserving Data Distribution
von: Panth, Prajwal, et al.
Veröffentlicht: (2026)

SeSeMI: Secure Serverless Model Inference on Sensitive Data
von: Hu, Guoyu, et al.
Veröffentlicht: (2024)