Towards Well-trained Model Robustness in Federated Learning: An Adversarial- Example-Generation- Efficiency Perspective
Notice bibliographique
Résumé
Federated Learning (FL), as a privacy-oriented distributed machine learning paradigm, can obtain a well-trained global model without private dataset transferring. Nevertheless, FL is subject to severe security threats of adversarial examples (AEs) with unnoticeable perturbations, generated by white-box attacks in honest-but-curious FL participants. Adversarial training is an effective solution to enhance the robustness of the model by identifying AEs as correct samples. However, the AE training efficiency is crucial in realistic scenarios of adversarial training, such as autonomous driving. Researchers have proposed the Fast Gradient Sign Method (FGSM) and its improvement to generate AEs rapidly. In this paper, we propose a novel optimizer-based FGSM, FastAdaBelief-based FGSM (FAB-FGSM), in order to generate AEs more efficiently and effectively. Benefitting from time-vary coefficients and a vanishing factor, FAB-FGSM realizes a more adaptive iteration step size than AdaBelief-based FGSM (AB-FGSM) and Adam-based FGSM (AI-FGSM). We explore the probable causes by recalling the theoretical analysis of three optimizers. Extensive experiment results demonstrate that compared to AB-FGSM and AI-FGSM, our FAB-FGSM achieves the fastest convergence and the best attack success rate in four target models, including Inception v3, Inception v4, Inception ResNet v2, ResNet-101.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».