Buchumschlag

Constructing Adversarial Examples for Vertical Federated Learning: Optimal Client Corruption through Multi-Armed Bandit

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Yao, Duanyi, Li, Songze, Xue, Ye, Liu, Jin
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning Cryptography and Security
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

URVFL: Undetectable Data Reconstruction Attack on Vertical Federated Learning
von: Yao, Duanyi, et al.
Veröffentlicht: (2024)

DeDe: Detecting Backdoor Samples for SSL Encoders via Decoders
von: Hou, Sizai, et al.
Veröffentlicht: (2024)

FedMABA: Towards Fair Federated Learning through Multi-Armed Bandits Allocation
von: Wang, Zhichao, et al.
Veröffentlicht: (2024)

Stealthy Adversarial Attacks on Stochastic Multi-Armed Bandits
von: Wang, Zhiwei, et al.
Veröffentlicht: (2024)

Hidden Ads: Behavior Triggered Semantic Backdoors for Advertisement Injection in Vision Language Models
von: Yao, Duanyi, et al.
Veröffentlicht: (2026)

Optimal Client Sampling in Federated Learning with Client-Level Heterogeneous Differential Privacy
von: Xu, Jiahao, et al.
Veröffentlicht: (2025)

Fine-Tuning Personalization in Federated Learning to Mitigate Adversarial Clients
von: Allouah, Youssef, et al.
Veröffentlicht: (2024)

TrojanDam: Detection-Free Backdoor Defense in Federated Learning through Proactive Model Robustification utilizing OOD Data
von: Dai, Yanbo, et al.
Veröffentlicht: (2025)

OmniLytics+: A Secure, Efficient, and Affordable Blockchain Data Market for Machine Learning through Off-Chain Processing
von: Li, Songze, et al.
Veröffentlicht: (2024)

FuncPoison: Poisoning Function Library to Hijack Multi-agent Autonomous Driving Systems
von: Long, Yuzhen, et al.
Veröffentlicht: (2025)

Constructing Semantics-Aware Adversarial Examples with a Probabilistic Perspective
von: Zhang, Andi, et al.
Veröffentlicht: (2023)

A Study of Secure Algorithms for Vertical Federated Learning: Take Secure Logistic Regression as an Example
von: Wang, Huan-Chih, 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)

Federated Learning Clients Clustering with Adaptation to Data Drifts
von: Li, Minghao, et al.
Veröffentlicht: (2024)

Detecting Adversarial Examples
von: Mumcu, Furkan, et al.
Veröffentlicht: (2024)

VFLGAN-TS: Vertical Federated Learning-based Generative Adversarial Networks for Publication of Vertically Partitioned Time-Series Data
von: Yuan, Xun, et al.
Veröffentlicht: (2024)

Remote Rowhammer Attack using Adversarial Observations on Federated Learning Clients
von: Yuan, Jinsheng, et al.
Veröffentlicht: (2025)

FL-PLAS: Federated Learning with Partial Layer Aggregation for Backdoor Defense Against High-Ratio Malicious Clients
von: Zhang, Jianyi, et al.
Veröffentlicht: (2025)

Transferability Ranking of Adversarial Examples
von: Levy, Mosh, et al.
Veröffentlicht: (2022)

PackVFL: Efficient HE Packing for Vertical Federated Learning
von: Yang, Liu, et al.
Veröffentlicht: (2024)

Adversarial Update-Based Federated Unlearning for Poisoned Model Recovery
von: Zhao, Wenwei, et al.
Veröffentlicht: (2026)

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

SLVR: Securely Leveraging Client Validation for Robust Federated Learning
von: Choi, Jihye, et al.
Veröffentlicht: (2025)

The More is not the Merrier: Investigating the Effect of Client Size on Federated Learning
von: Wallach, Eleanor, et al.
Veröffentlicht: (2025)

Fake or Compromised? Making Sense of Malicious Clients in Federated Learning
von: Mozaffari, Hamid, et al.
Veröffentlicht: (2024)

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

Laundering AI Authority with Adversarial Examples
von: Zhang, Jie, et al.
Veröffentlicht: (2026)

Optimal Zero-Shot Detector for Multi-Armed Attacks
von: Granese, Federica, et al.
Veröffentlicht: (2024)

History-Aware and Dynamic Client Contribution in Federated Learning
von: Ghosh, Bishwamittra, et al.
Veröffentlicht: (2024)

Comprehensive Survey on Adversarial Examples in Cybersecurity: Impacts, Challenges, and Mitigation Strategies
von: Li, Li
Veröffentlicht: (2024)

VFLGAN: Vertical Federated Learning-based Generative Adversarial Network for Vertically Partitioned Data Publication
von: Yuan, Xun, et al.
Veröffentlicht: (2024)

FLClear: Visually Verifiable Multi-Client Watermarking for Federated Learning
von: Gu, Chen, et al.
Veröffentlicht: (2025)

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

Improved Generation of Adversarial Examples Against Safety-aligned LLMs
von: Li, Qizhang, et al.
Veröffentlicht: (2024)

Position: Towards Resilience Against Adversarial Examples
von: Dai, Sihui, et al.
Veröffentlicht: (2024)

On the Optimal Regret of Locally Private Linear Contextual Bandit
von: Li, Jiachun, et al.
Veröffentlicht: (2024)

How to Forget Clients in Federated Online Learning to Rank?
von: Wang, Shuyi, et al.
Veröffentlicht: (2024)

SoK: Analyzing Adversarial Examples: A Framework to Study Adversary Knowledge
von: Fenaux, Lucas, et al.
Veröffentlicht: (2024)

Knowledge-Driven Multi-Turn Jailbreaking on Large Language Models
von: Li, Songze, et al.
Veröffentlicht: (2026)

Improving Privacy-Preserving Vertical Federated Learning by Efficient Communication with ADMM
von: Xie, Chulin, et al.
Veröffentlicht: (2022)