Buchumschlag

Byzantine Outside, Curious Inside: Reconstructing Data Through Malicious Updates

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Yue, Kai, Jin, Richeng, Wong, Chau-Wai, Dai, Huaiyu
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning Cryptography and Security
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Federated Learning Nodes Can Reconstruct Peers' Image Data
von: Wilson, Ethan, et al.
Veröffentlicht: (2024)

TernaryVote: Differentially Private, Communication Efficient, and Byzantine Resilient Distributed Optimization on Heterogeneous Data
von: Jin, Richeng, et al.
Veröffentlicht: (2024)

Breaking the Communication-Privacy-Accuracy Tradeoff with $f$-Differential Privacy
von: Jin, Richeng, et al.
Veröffentlicht: (2023)

Individualized Deepfake Detection Exploiting Traces Due to Double Neural-Network Operations
von: Rahman, Mushfiqur, et al.
Veröffentlicht: (2023)

CleanBase: Detecting Malicious Documents in RAG Knowledge Databases
von: Jin, Weifei, et al.
Veröffentlicht: (2026)

VLMGuard: Defending VLMs against Malicious Prompts via Unlabeled Data
von: Du, Xuefeng, et al.
Veröffentlicht: (2024)

MAIDS: Malicious Agent Identification-based Data Security Model for Cloud Environments
von: Gupta, Kishu, et al.
Veröffentlicht: (2024)

Detecting Malicious AI Agents Through Simulated Interactions
von: Pi, Yulu, et al.
Veröffentlicht: (2025)

ML Study of MaliciousTransactions in Ethereum
von: Katz, Natan
Veröffentlicht: (2024)

Advancing Hybrid Defense for Byzantine Attacks in Federated Learning
von: Yue, Kai, et al.
Veröffentlicht: (2024)

Byzantine Failures Harm the Generalization of Robust Distributed Learning Algorithms More Than Data Poisoning
von: Boudou, Thomas, 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)

Exploiting Leaderboards for Large-Scale Distribution of Malicious Models
von: Suri, Anshuman, et al.
Veröffentlicht: (2025)

Multi-Agent Systems Execute Arbitrary Malicious Code
von: Triedman, Harold, et al.
Veröffentlicht: (2025)

Towards Quantum Machine Learning for Malicious Code Analysis
von: Lopez, Jesus, et al.
Veröffentlicht: (2025)

Toward More Generalized Malicious URL Detection Models
von: Tsai, YunDa, et al.
Veröffentlicht: (2022)

A New Dataset and Methodology for Malicious URL Classification
von: Schvartzman, Ilan, et al.
Veröffentlicht: (2024)

Federated Learning Resilient to Byzantine Attacks and Data Heterogeneity
von: Zuo, Shiyuan, et al.
Veröffentlicht: (2024)

GasTrace: Detecting Sandwich Attack Malicious Accounts in Ethereum
von: Liu, Zekai, et al.
Veröffentlicht: (2024)

RobPI: Robust Private Inference against Malicious Client
von: Xue, Jiaqi, et al.
Veröffentlicht: (2026)

Malicious Internet Entity Detection Using Local Graph Inference
von: Mandlik, Simon, et al.
Veröffentlicht: (2024)

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

FreeMOCA: Memory-Free Continual Learning for Malicious Code Analysis
von: Asadi, Zahra, et al.
Veröffentlicht: (2026)

Efficient and Adaptable Detection of Malicious LLM Prompts via Bootstrap Aggregation
von: Hassan, Shayan Ali, et al.
Veröffentlicht: (2026)

PDFInspect: A Unified Feature Extraction Framework for Malicious Document Detection
von: P, Sharmila S
Veröffentlicht: (2026)

A Curious Case of Searching for the Correlation between Training Data and Adversarial Robustness of Transformer Textual Models
von: Dang, Cuong, et al.
Veröffentlicht: (2024)

Byzantine-Robust Federated Learning over Ring-All-Reduce Distributed Computing
von: Fang, Minghong, et al.
Veröffentlicht: (2025)

Information Leakage from Data Updates in Machine Learning Models
von: Hui, Tian, et al.
Veröffentlicht: (2023)

MIP against Agent: Malicious Image Patches Hijacking Multimodal OS Agents
von: Aichberger, Lukas, et al.
Veröffentlicht: (2025)

Continuous Multi-Task Pre-training for Malicious URL Detection and Webpage Classification
von: Li, Yujie, et al.
Veröffentlicht: (2024)

Towards Novel Malicious Packet Recognition: A Few-Shot Learning Approach
von: Stein, Kyle, et al.
Veröffentlicht: (2024)

A Consensus-Bayesian Framework for Detecting Malicious Activity in Enterprise Directory Access Graphs
von: Uppuluri, Pratyush, et al.
Veröffentlicht: (2026)

MalRAG: A Retrieval-Augmented LLM Framework for Open-set Malicious Traffic Identification
von: Luo, Xiang, et al.
Veröffentlicht: (2025)

From Past to Present: A Survey of Malicious URL Detection Techniques, Datasets and Code Repositories
von: Tian, Ye, et al.
Veröffentlicht: (2025)

Breaking Obfuscation: Cluster-Aware Graph with LLM-Aided Recovery for Malicious JavaScript Detection
von: Liang, Zhihong, et al.
Veröffentlicht: (2025)

FedIDM: Achieving Fast and Stable Convergence in Byzantine Federated Learning through Iterative Distribution Matching
von: Yang, He, et al.
Veröffentlicht: (2026)

One Detector Fits All: Robust and Adaptive Detection of Malicious Packages from PyPI to Enterprises
von: Montaruli, Biagio, et al.
Veröffentlicht: (2025)

Malicious URL Detection using optimized Hist Gradient Boosting Classifier based on grid search method
von: Maftoun, Mohammad, et al.
Veröffentlicht: (2024)

Data Reconstruction: Identifiability and Optimization with Sample Splitting
von: Shen, Yujie, et al.
Veröffentlicht: (2026)

Training Data Reconstruction: Privacy due to Uncertainty?
von: Runkel, Christina, et al.
Veröffentlicht: (2024)