Buchumschlag

Byzantine Failures Harm the Generalization of Robust Distributed Learning Algorithms More Than Data Poisoning

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Boudou, Thomas, Bars, Batiste Le, Gupta, Nirupam, Bellet, Aurélien
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

Differentially Private Decentralized Learning with Random Walks
von: Cyffers, Edwige, et al.
Veröffentlicht: (2024)

Privacy Attacks in Decentralized Learning
von: Mrini, Abdellah El, et al.
Veröffentlicht: (2024)

Privacy Amplification Through Synthetic Data: Insights from Linear Regression
von: Pierquin, Clément, et al.
Veröffentlicht: (2025)

Tighter Privacy Auditing of DP-SGD in the Hidden State Threat Model
von: Cebere, Tudor, et al.
Veröffentlicht: (2024)

Rényi Pufferfish Privacy: General Additive Noise Mechanisms and Privacy Amplification by Iteration
von: Pierquin, Clément, et al.
Veröffentlicht: (2023)

Private Rate-Constrained Optimization with Applications to Fair Learning
von: Yaghini, Mohammad, et al.
Veröffentlicht: (2025)

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

Adaptive Personalized Federated Learning via Multi-task Averaging of Kernel Mean Embeddings
von: Fermanian, Jean-Baptiste, et al.
Veröffentlicht: (2026)

The Relative Gaussian Mechanism and its Application to Private Gradient Descent
von: Hendrikx, Hadrien, et al.
Veröffentlicht: (2023)

Improved Stability and Generalization Guarantees of the Decentralized SGD Algorithm
von: Bars, Batiste Le, et al.
Veröffentlicht: (2023)

Confundo: Learning to Generate Robust Poison for Practical RAG Systems
von: Hu, Haoyang, et al.
Veröffentlicht: (2026)

Privacy Amplification Persists under Unlimited Synthetic Data Release
von: Pierquin, Clément, et al.
Veröffentlicht: (2026)

Coded Robust Aggregation for Distributed Learning under Byzantine Attacks
von: Li, Chengxi, et al.
Veröffentlicht: (2025)

Byzantine-Robust and Differentially Private Federated Optimization under Weaker Assumptions
von: Islamov, Rustem, et al.
Veröffentlicht: (2026)

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

BadSampler: Harnessing the Power of Catastrophic Forgetting to Poison Byzantine-robust Federated Learning
von: Liu, Yi, et al.
Veröffentlicht: (2024)

Provable Robustness of (Graph) Neural Networks Against Data Poisoning and Backdoor Attacks
von: Gosch, Lukas, et al.
Veröffentlicht: (2024)

On Evaluating the Poisoning Robustness of Federated Learning under Local Differential Privacy
von: Wang, Zijian, et al.
Veröffentlicht: (2025)

DP-SGD Without Clipping: The Lipschitz Neural Network Way
von: Bethune, Louis, et al.
Veröffentlicht: (2023)

Marginal and training-conditional guarantees in one-shot federated conformal prediction
von: Humbert, Pierre, et al.
Veröffentlicht: (2024)

Sybil-based Virtual Data Poisoning Attacks in Federated Learning
von: Zhu, Changxun, et al.
Veröffentlicht: (2025)

The Surprising Harmfulness of Benign Overfitting for Adversarial Robustness
von: Hao, Yifan, et al.
Veröffentlicht: (2024)

Poisoned-MRAG: Knowledge Poisoning Attacks to Multimodal Retrieval Augmented Generation
von: Liu, Yinuo, 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)

Comments on "Privacy-Enhanced Federated Learning Against Poisoning Adversaries"
von: Schneider, Thomas, et al.
Veröffentlicht: (2024)

Provable Watermarking for Data Poisoning Attacks
von: Zhu, Yifan, et al.
Veröffentlicht: (2025)

Adaptive and Robust Data Poisoning Detection and Sanitization in Wearable IoT Systems using Large Language Models
von: Mithsara, W. K. M, et al.
Veröffentlicht: (2025)

Muffliato: Peer-to-Peer Privacy Amplification for Decentralized Optimization and Averaging
von: Cyffers, Edwige, et al.
Veröffentlicht: (2022)

EnCAgg: Enhanced Clustering Aggregation for Robust Federated Learning against Dynamic Model Poisoning
von: Zhang, Tianyun, et al.
Veröffentlicht: (2026)

FedRDF: A Robust and Dynamic Aggregation Function against Poisoning Attacks in Federated Learning
von: Campos, Enrique Mármol, et al.
Veröffentlicht: (2024)

Devil's Hand: Data Poisoning Attacks to Locally Private Graph Learning Protocols
von: He, Longzhu, et al.
Veröffentlicht: (2025)

Byzantine-Robust Federated Learning: An Overview With Focus on Developing Sybil-based Attacks to Backdoor Augmented Secure Aggregation Protocols
von: Deshmukh, Atharv
Veröffentlicht: (2024)

Indiscriminate Data Poisoning Attacks on Neural Networks
von: Lu, Yiwei, et al.
Veröffentlicht: (2022)

Understanding Data Importance in Machine Learning Attacks: Does Valuable Data Pose Greater Harm?
von: Wen, Rui, et al.
Veröffentlicht: (2024)

Byzantine Outside, Curious Inside: Reconstructing Data Through Malicious Updates
von: Yue, Kai, et al.
Veröffentlicht: (2025)

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

SecureLearn -- An Attack-agnostic Defense for Multiclass Machine Learning Against Data Poisoning Attacks
von: Paracha, Anum, et al.
Veröffentlicht: (2025)

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

PoisonedParrot: Subtle Data Poisoning Attacks to Elicit Copyright-Infringing Content from Large Language Models
von: Panaitescu-Liess, Michael-Andrei, et al.
Veröffentlicht: (2025)

Inverting Gradient Attacks Makes Powerful Data Poisoning
von: Bouaziz, Wassim, et al.
Veröffentlicht: (2024)