登录免费注册



Defending against Reconstructi

首页  思维导图  详情



Defending against Reconstructi

2021-07-24 08:50:01   6  举报





AI智能生成

阅读论文记录模板

paper

科研

模版推荐

作者其他创作

大纲/内容

Introduction

Research statement<br>

针对联邦环境下的梯度攻击提出的防御方法；<br>针对以往对FL水平的防御，这里是v防御<br>

Research aim<br>

Literature review<br>

Research gap<br>

针对vFL的防御<br>

Research tec<br>

Methodoioly

Study design<br>

提出一组框架

本地有特征提取器，远端有预测，回传梯度

使得特征提取器更加鲁棒，攻击者攻击受阻<br>

Research method<br>

三种方法

adversarial reconstructor

最大限度提高攻击者的重构误差

主动模拟攻击者输入来使得误差最大化

反向传播时将梯度上升<br>

noise regularization

诱导攻击者向随机方向进行优化

子主题<span class="equation-text" data-index="0" data-equation="\mathcal{L}_{n}=\| \mathcal{R}^{\prime}\left(\mathcal{F}(\mathcal{X} D)-\mathcal{N}_{\text {noise }} \|_{2}^{2}\right." contenteditable="false"><span></span><span></span></span>

distance correlation.

减少原始输入与中间层之间的相关性，使得提取的信息减少<br>

<br><span class="equation-text" data-index="0" data-equation="\mathcal{L}_{d}=\log (d \operatorname{Cor}(\mathcal{X}, \mathcal{F}(\mathcal{X})))" contenteditable="false"><span></span><span></span></span>

<br><span class="equation-text" data-index="0" data-equation="\mathcal{L}=\mathcal{L}_{c}+\alpha_{r} \mathcal{L}_{r}+\alpha_{n} \mathcal{L}_{n}+\alpha_{d} \mathcal{L}_{d}" contenteditable="false"><span></span><span></span></span>

Data source<br>

工业数据

Model and Data analysis<br>

Wide&Deep

Results

Main findings<br>

使用一个检测器检测攻击者恢复图像和原始输入的MSE来检测<br>

通过距离相关性来度量

Discussion

Highlight<br>

针对vFL进行的防御<br>

Suggestions<br>

还没有针对sota的水平防御

可以研究sota的水平防御

Limitations

获得整个梯度怎么防御

研究方向

Conclusions

Contributions

设计一个基于三个独立模型的对抗性框架来抵御重构攻击

基于实践实验证明有效

自由主题

时间轴水平时间轴发展历程里程碑

 Collect

Get Started

时间轴水平时间轴发展历程里程碑

EMP CODE MAPPING

 Collect

Get Started

EMP CODE MAPPING

CS SWAP Inbound

 Collect

Get Started

CS SWAP Inbound

 Collect

Get Started

纵向时间轴发展历程里程碑













评论

0 条评论

下一页



图形选择

思维导图

主题

补充说明

AI生成





修改AI描述

去编辑

重新生成

提示 

关闭后当前内容将不会保存，是否继续？

取消

确定

Document