StratFL：博弈建模防御联邦学习隐蔽投毒
热点事件持续更新
StratFL：博弈建模防御联邦学习隐蔽投毒
1 篇报道1 个报道来源10 小时前更新
先了解这件事
AI 综述
Manoj Twarakavi 与 Venkata Sriram Siddhardh Nadendla 发表论文，提出对抗搜索算法 StratFL，用于联邦学习场景下防御隐蔽模型投毒（CMP）攻击。该方法把服务器与攻击者的交互建模为双方均无法观测对方动作的不完美重复博弈，并分别为服务器和攻击者设计信念更新算法。 在 MNIST 和 CIFAR-10 上的实验显示，StratFL 相比现有最优方法准确率提升 10%，并验证了信念更新算法在不同安全场景下的收敛性。
AI 根据报道生成 · 56 分钟前更新
最新进展10月19日 12:00
StratFL：用策略性联邦学习对抗隐蔽模型投毒攻击报道时间线
沿着报道，了解事件的不同侧面。
10月19日
- arXiv cs.AIStratFL：用策略性联邦学习对抗隐蔽模型投毒攻击
StratFL 是一种针对联邦学习中隐蔽模型投毒（CMP）攻击的对抗搜索算法，将服务器与攻击者的交互建模为双方均无法观测对方动作的不完美重复博弈，并为服务器和攻击者分别设计了信念更新算法。在 MNIST 和 CIFAR-10 上的实验显示，StratFL 相比现有最优方法准确率提升 10%，并验证了信念更新算法在不同安全场景下的收敛性。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。