Buchumschlag

From Risk to Resilience: Towards Assessing and Mitigating the Risk of Data Reconstruction Attacks in Federated Learning

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Xu, Xiangrui, Li, Zhize, Han, Yufei, Wang, Bin, Liu, Jiqiang, Wang, Wei
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

X-VFL: A New Vertical Federated Learning Framework with Cross Completion and Decision Subspace Alignment
von: Yao, Qinghua, et al.
Veröffentlicht: (2025)

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

Federated Sequence-to-Sequence Learning for Load Disaggregation from Unbalanced Low-Resolution Smart Meter Data
von: Li, Xiangrui
Veröffentlicht: (2024)

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

The Effectiveness of Local Updates for Decentralized Learning under Data Heterogeneity
von: Wu, Tongle, et al.
Veröffentlicht: (2024)

Privacy Risks Analysis and Mitigation in Federated Learning for Medical Images
von: Das, Badhan Chandra, et al.
Veröffentlicht: (2023)

Byzantine-Resilient Federated Learning via Distributed Optimization
von: Xia, Yufei, et al.
Veröffentlicht: (2025)

Approximate and Weighted Data Reconstruction Attack in Federated Learning
von: Song, Yongcun, et al.
Veröffentlicht: (2023)

Mitigating Data Injection Attacks on Federated Learning
von: Shalom, Or, et al.
Veröffentlicht: (2023)

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

AMCR: A Framework for Assessing and Mitigating Copyright Risks in Generative Models
von: Yin, Zhipeng, et al.
Veröffentlicht: (2025)

HashVFL: Defending Against Data Reconstruction Attacks in Vertical Federated Learning
von: Qiu, Pengyu, et al.
Veröffentlicht: (2022)

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

Cross-Context Backdoor Attacks against Graph Prompt Learning
von: Lyu, Xiaoting, et al.
Veröffentlicht: (2024)

UIFV: Data Reconstruction Attack in Vertical Federated Learning
von: Yang, Jirui, et al.
Veröffentlicht: (2024)

Towards Interpretable Federated Learning
von: Li, Anran, et al.
Veröffentlicht: (2023)

DriftGuard: Mitigating Asynchronous Data Drift in Federated Learning
von: Han, Yizhou, et al.
Veröffentlicht: (2026)

GShield: Mitigating Poisoning Attacks in Federated Learning
von: M., Sameera K., et al.
Veröffentlicht: (2025)

Hide and Find: A Distributed Adversarial Attack on Federated Graph Learning
von: Liu, Jinshan, et al.
Veröffentlicht: (2026)

Randomization Techniques to Mitigate the Risk of Copyright Infringement
von: Chen, Wei-Ning, et al.
Veröffentlicht: (2024)

FedCure: Mitigating Participation Bias in Semi-Asynchronous Federated Learning with Non-IID Data
von: Chen, Yue, et al.
Veröffentlicht: (2025)

Vicious Classifiers: Assessing Inference-time Data Reconstruction Risk in Edge Computing
von: Malekzadeh, Mohammad, et al.
Veröffentlicht: (2022)

Learning to Attack: Uncovering Privacy Risks in Sequential Data Releases
von: Cui, Ziyao, et al.
Veröffentlicht: (2025)

Cutting Through Privacy: A Hyperplane-Based Data Reconstruction Attack in Federated Learning
von: Diana, Francesco, et al.
Veröffentlicht: (2025)

Resilience in Online Federated Learning: Mitigating Model-Poisoning Attacks via Partial Sharing
von: Lari, Ehsan, et al.
Veröffentlicht: (2024)

Local Model Reconstruction Attacks in Federated Learning and their Uses
von: Driouich, Ilias, et al.
Veröffentlicht: (2022)

RAIFLE: Reconstruction Attacks on Interaction-based Federated Learning with Adversarial Data Manipulation
von: Pham, Dzung, et al.
Veröffentlicht: (2023)

Mitigating Data Absence in Federated Learning Using Privacy-Controllable Data Digests
von: Hsu, Chih-Fan, et al.
Veröffentlicht: (2022)

FedSpy-LLM: Towards Scalable and Generalizable Data Reconstruction Attacks from Gradients on LLMs
von: Meerza, Syed Irfan Ali, et al.
Veröffentlicht: (2026)

An Effective Software Risk Prediction Management Analysis of Data Using Machine Learning and Data Mining Method
von: Xu, Jinxin, et al.
Veröffentlicht: (2024)

Robust Federated Learning Mitigates Client-side Training Data Distribution Inference Attacks
von: Xu, Yichang, et al.
Veröffentlicht: (2024)

DRAUN: An Algorithm-Agnostic Data Reconstruction Attack on Federated Unlearning Systems
von: Lamri, Hithem, et al.
Veröffentlicht: (2025)

Efficient Algorithms for Mitigating Uncertainty and Risk in Reinforcement Learning
von: Su, Xihong
Veröffentlicht: (2025)

Towards Efficient and Certified Recovery from Poisoning Attacks in Federated Learning
von: Jiang, Yu, et al.
Veröffentlicht: (2024)

Assessing Electricity Service Unfairness with Transfer Counterfactual Learning
von: Wei, Song, et al.
Veröffentlicht: (2023)

Mitigating Exposure Bias in Score-Based Generation of Molecular Conformations
von: Wang, Sijia, et al.
Veröffentlicht: (2024)

Linkage Attacks Expose Identity Risks in Public ECG Data Sharing
von: Wang, Ziyu, et al.
Veröffentlicht: (2025)

A Formal Framework for Assessing and Mitigating Emergent Security Risks in Generative AI Models: Bridging Theory and Dynamic Risk Mitigation
von: Srivastava, Aviral, et al.
Veröffentlicht: (2024)

DRAGD: A Federated Unlearning Data Reconstruction Attack Based on Gradient Differences
von: Ju, Bocheng, et al.
Veröffentlicht: (2025)

Enhancing Data Quality through Self-learning on Imbalanced Financial Risk Data
von: Sun, Xu, et al.
Veröffentlicht: (2024)