Buchumschlag

FedBAP: Backdoor Defense via Benign Adversarial Perturbation in Federated Learning

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Yan, Xinhai, Wu, Libing, Zhang, Zhuangzhuang, Liu, Bingyi, Huo, Lijuan, Wang, Jing
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Cryptography and Security Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

FedSurrogate: Backdoor Defense in Federated Learning via Layer Criticality and Surrogate Replacement
von: Abacha, Fatima Z., et al.
Veröffentlicht: (2026)

FedDefender: Backdoor Attack Defense in Federated Learning
von: Gill, Waris, et al.
Veröffentlicht: (2023)

BDPFL: Backdoor Defense for Personalized Federated Learning via Explainable Distillation
von: Zhu, Chengcheng, et al.
Veröffentlicht: (2025)

FilterFL: Knowledge Filtering-based Data-Free Backdoor Defense for Federated Learning
von: Yang, Yanxin, et al.
Veröffentlicht: (2023)

Adversarially Guided Stateful Defense Against Backdoor Attacks in Federated Deep Learning
von: Ali, Hassan, et al.
Veröffentlicht: (2024)

Robustness Inspired Graph Backdoor Defense
von: Zhang, Zhiwei, et al.
Veröffentlicht: (2024)

BadFU: Backdoor Federated Learning through Adversarial Machine Unlearning
von: Lu, Bingguang, 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)

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

Backdoor Defense through Self-Supervised and Generative Learning
von: Sabolić, Ivan, et al.
Veröffentlicht: (2024)

Subspace Defense: Discarding Adversarial Perturbations by Learning a Subspace for Clean Signals
von: Zheng, Rui, et al.
Veröffentlicht: (2024)

Defending the Edge: Representative-Attention Defense against Backdoor Attacks in Federated Learning
von: Obioma, Chibueze Peace, et al.
Veröffentlicht: (2025)

Seal Your Backdoor with Variational Defense
von: Sabolić, Ivan, et al.
Veröffentlicht: (2025)

On the Out-of-Distribution Backdoor Attack for Federated Learning
von: Xu, Jiahao, et al.
Veröffentlicht: (2025)

ProtegoFed: Backdoor-Free Federated Instruction Tuning with Interspersed Poisoned Data
von: Zhao, Haodong, et al.
Veröffentlicht: (2026)

BeniFul: Backdoor Defense via Middle Feature Analysis for Deep Neural Networks
von: Li, Xinfu, 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)

Distributed Backdoor Attacks on Federated Graph Learning and Certified Defenses
von: Yang, Yuxin, et al.
Veröffentlicht: (2024)

Low Rank Adaptation for Adversarial Perturbation
von: Liu, Han, et al.
Veröffentlicht: (2026)

PECAN: A Deterministic Certified Defense Against Backdoor Attacks
von: Zhang, Yuhao, et al.
Veröffentlicht: (2023)

FedSecurity: Benchmarking Attacks and Defenses in Federated Learning and Federated LLMs
von: Han, Shanshan, et al.
Veröffentlicht: (2023)

Adversarial Inception Backdoor Attacks against Reinforcement Learning
von: Rathbun, Ethan, et al.
Veröffentlicht: (2024)

Provably Cost-Sensitive Adversarial Defense via Randomized Smoothing
von: Xin, Yuan, et al.
Veröffentlicht: (2023)

Backdoor Attacks in Peer-to-Peer Federated Learning
von: Syros, Georgios, et al.
Veröffentlicht: (2023)

Lurking in the shadows: Unveiling Stealthy Backdoor Attacks against Personalized Federated Learning
von: Lyu, Xiaoting, et al.
Veröffentlicht: (2024)

TimeGuard: Channel-wise Pool Training for Backdoor Defense in Time Series Forecasting
von: Nguyen, Quang Duc, et al.
Veröffentlicht: (2026)

FedMID: A Data-Free Method for Using Intermediate Outputs as a Defense Mechanism Against Poisoning Attacks in Federated Learning
von: Han, Sungwon, et al.
Veröffentlicht: (2024)

FedPID: An Aggregation Method for Federated Learning
von: Mächler, Leon, et al.
Veröffentlicht: (2024)

BackdoorBench: A Comprehensive Benchmark and Analysis of Backdoor Learning
von: Wu, Baoyuan, et al.
Veröffentlicht: (2024)

BAN: Detecting Backdoors Activated by Adversarial Neuron Noise
von: Xu, Xiaoyun, et al.
Veröffentlicht: (2024)

IDEA: Invariant Defense for Graph Adversarial Robustness
von: Tao, Shuchang, et al.
Veröffentlicht: (2023)

MARS: A Malignity-Aware Backdoor Defense in Federated Learning
von: Wan, Wei, et al.
Veröffentlicht: (2025)

Cooperative Decentralized Backdoor Attacks on Vertical Federated Learning
von: Lee, Seohyun, et al.
Veröffentlicht: (2025)

Quantization Blindspots: How Model Compression Breaks Backdoor Defenses
von: Pandey, Rohan, et al.
Veröffentlicht: (2025)

FedRE: Robust and Effective Federated Learning with Privacy Preference
von: Xiao, Tianzhe, et al.
Veröffentlicht: (2025)

BeDKD: Backdoor Defense Based on Directional Mapping Module and Adversarial Knowledge Distillation
von: Wu, Zhengxian, et al.
Veröffentlicht: (2025)

FedQV: Leveraging Quadratic Voting in Federated Learning
von: Chu, Tianyue, et al.
Veröffentlicht: (2024)

Uncovering Attacks and Defenses in Secure Aggregation for Federated Deep Learning
von: Zhang, Yiwei, et al.
Veröffentlicht: (2024)

Watch Out! Simple Horizontal Class Backdoor Can Trivially Evade Defense
von: Ma, Hua, et al.
Veröffentlicht: (2023)

FedThief: Harming Others to Benefit Oneself in Self-Centered Federated Learning
von: Zhang, Xiangyu, et al.
Veröffentlicht: (2025)