:: Library Catalog

Buchumschlag

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Shen, Yujie, Wang, Zihan, Qian, Jian, Lei, Qi
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Machine Learning Cryptography and Security
Online-Zugang:	https://arxiv.org/abs/2602.08723
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Data Reconstruction Attacks and Defenses: A Systematic Evaluation
von: Liu, Sheng, et al.
Veröffentlicht: (2024)

Backdoor Secrets Unveiled: Identifying Backdoor Data with Optimized Scaled Prediction Consistency
von: Pal, Soumyadeep, et al.
Veröffentlicht: (2024)

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

DPDR: Gradient Decomposition and Reconstruction for Differentially Private Deep Learning
von: Liu, Yixuan, et al.
Veröffentlicht: (2024)

Local Differential Privacy is Not Enough: A Sample Reconstruction Attack against Federated Learning with Local Differential Privacy
von: You, Zhichao, et al.
Veröffentlicht: (2025)

Improving the Trade-off Between Watermark Strength and Speculative Sampling Efficiency for Language Models
von: He, Weiqing, et al.
Veröffentlicht: (2026)

Vol-Mark: A Watermark for 3D Medical Volume Data Via Cubic Difference Expansion and Contrastive Learning
von: Zhu, Jiangnan, et al.
Veröffentlicht: (2026)

Concealing Backdoor Model Updates in Federated Learning by Trigger-Optimized Data Poisoning
von: Zhang, Yujie, et al.
Veröffentlicht: (2024)

Optimal Defenses Against Gradient Reconstruction Attacks
von: Chen, Yuxiao, et al.
Veröffentlicht: (2024)

Verification of Machine Unlearning is Fragile
von: Zhang, Binchi, et al.
Veröffentlicht: (2024)

Leveraging Vertical Public-Private Split for Improved Synthetic Data Generation
von: Maddock, Samuel, et al.
Veröffentlicht: (2025)

A Survey on Split Learning for LLM Fine-Tuning: Models, Systems, and Privacy Optimizations
von: Liu, Zihan, et al.
Veröffentlicht: (2026)

The Challenge of Identifying the Origin of Black-Box Large Language Models
von: Yang, Ziqing, et al.
Veröffentlicht: (2025)

Split Happens: Combating Advanced Threats with Split Learning and Function Secret Sharing
von: Khan, Tanveer, et al.
Veröffentlicht: (2025)

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

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

A Channel-Triggered Backdoor Attack on Wireless Semantic Image Reconstruction
von: Wan, Jialin, et al.
Veröffentlicht: (2025)

Towards Lifecycle Unlearning Commitment Management: Measuring Sample-level Approximate Unlearning Completeness
von: Wang, Cheng-Long, et al.
Veröffentlicht: (2024)

Smart Surveillance: Identifying IoT Device Behaviours using ML-Powered Traffic Analysis
von: Ryan, Reza, et al.
Veröffentlicht: (2025)

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

Split-n-Chain: Privacy-Preserving Multi-Node Split Learning with Blockchain-Based Auditability
von: Sahani, Mukesh, et al.
Veröffentlicht: (2025)

SplitOut: Out-of-the-Box Training-Hijacking Detection in Split Learning via Outlier Detection
von: Erdogan, Ege, et al.
Veröffentlicht: (2023)

Identifying Predictions That Influence the Future: Detecting Performative Concept Drift in Data Streams
von: Gower-Winter, Brandon, et al.
Veröffentlicht: (2024)

On the Query Complexity of Training Data Reconstruction in Private Learning
von: Mukherjee, Prateeti, et al.
Veröffentlicht: (2023)

Reconstruction of Personally Identifiable Information from Supervised Finetuned Models
von: Furukawa, Sae, et al.
Veröffentlicht: (2026)

An Efficient Privacy-aware Split Learning Framework for Satellite Communications
von: Sun, Jianfei, et al.
Veröffentlicht: (2024)

Generate-then-Verify: Reconstructing Data from Limited Published Statistics
von: Liu, Terrance, et al.
Veröffentlicht: (2025)

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

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

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

A Taxonomy of Attacks and Defenses in Split Learning
von: Shabbir, Aqsa, et al.
Veröffentlicht: (2025)

Privacy-Preserving Heterogeneous Federated Learning for Sensitive Healthcare Data
von: Xu, Yukai, et al.
Veröffentlicht: (2024)

A Multi-Scale Graph Learning Framework with Temporal Consistency Constraints for Financial Fraud Detection in Transaction Networks under Non-Stationary Conditions
von: Lei, Yiming, et al.
Veröffentlicht: (2026)

A Linear Reconstruction Approach for Attribute Inference Attacks against Synthetic Data
von: Annamalai, Meenatchi Sundaram Muthu Selva, et al.
Veröffentlicht: (2023)

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

Hard-Label Cryptanalytic Extraction of Neural Network Models
von: Chen, Yi, et al.
Veröffentlicht: (2024)

Osmosis Distillation: Model Hijacking with the Fewest Samples
von: Shi, Yuchen, et al.
Veröffentlicht: (2026)

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

Graph Privacy: A Heterogeneous Federated GNN for Trans-Border Financial Data Circulation
von: Tan, Zhizhong, et al.
Veröffentlicht: (2025)

Passive Inference Attacks on Split Learning via Adversarial Regularization
von: Zhu, Xiaochen, et al.
Veröffentlicht: (2023)