Investigation of the Robustness of XAI-Based Federated Learning Against Adversarial Attacks for Smart Grid False Data Detection
Notice bibliographique
Résumé
Federated Learning (FL) enables decentralized training of machine learning (ML) models, making it a valuable approach for detecting false data in smart power grids (SGs) to enhance grid stability while protecting consumers privacy. However, FL-based ML models remain vulnerable to adversarial attacks during both training and inference phases, which can compromise data security. To address these vulnerabilities, we first investigate the robustness of a novel FL-based false data detection approach using Explainable Artificial Intelligence (XAI), referred to as XAI-based FL detection. This approach utilizes explanations of consumers power consumption data, rather than raw data, during the training process. We assess the robustness of the XAI-based FL detection compared to traditional data-driven FL detection against two types of adversarial attacks: Gradient Inversion attacks in the training phase, where adversaries reconstruct private data from shared gradients, and Evasion attacks in the inference phase, where adversaries subtly modify input data to deceive the detection model. Then, we propose a secure XAI-based FL detector with adversarial training to defend against both attack types. The key idea is that XAI helps mask model gradients during training because XAI-generated explanations remain nearly identical across different samples. Therefore, attackers struggle to accurately reconstruct the original training data, even if they obtain precise explanations using gradient inversion attacks. Additionally, XAI effectively distinguishes between benign and malicious samples. When combined with adversarial training, XAI strengthens model robustness against evasion attacks without compromising accuracy, effectively resolving the trade-off between security and performance. Our proposed detector reduced the success rate of evasion attacks from 94.99% to 29.11 explanations, and further to 0% with adding adversarial training. It also increased the mean square error for gradient inversion attacks from 0.01 to 2.60 in the most severe attack scenarios, making such attacks ineffective.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».