ترجمه فارسی مقاله حملات غیرهمکاری در پشتی در یادگیری فدرال: چشم انداز تهدید جدید

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی Non-Cooperative Backdoor Attacks in Federated Learning: A New Threat Landscape
عنوان مقاله به فارسی حملات غیرهمکاری در پشتی در یادگیری فدرال: چشم انداز تهدید جدید
نویسندگان Tuan Nguyen, Dung Thuy Nguyen, Khoa D Doan, Kok-Seng Wong
فرمت مقاله انگلیسی PDF
تعداد صفحات 16
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Cryptography and Security,Artificial Intelligence,Computer Vision and Pattern Recognition,Machine Learning,رمزنگاری و امنیت , هوش مصنوعی , چشم انداز رایانه و تشخیص الگوی , یادگیری ماشین ,
توضیحات Submitted 5 July, 2024; originally announced July 2024.
توضیحات به فارسی ارسال شده در 5 ژوئیه 2024 ؛در ابتدا ژوئیه 2024 اعلام شد.
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

Despite the promise of Federated Learning (FL) for privacy-preserving model training on distributed data, it remains susceptible to backdoor attacks. These attacks manipulate models by embedding triggers (specific input patterns) in the training data, forcing misclassification as predefined classes during deployment. Traditional single-trigger attacks and recent work on cooperative multiple-trigger attacks, where clients collaborate, highlight limitations in attack realism due to coordination requirements. We investigate a more alarming scenario: non-cooperative multiple-trigger attacks. Here, independent adversaries introduce distinct triggers targeting unique classes. These parallel attacks exploit FL's decentralized nature, making detection difficult. Our experiments demonstrate the alarming vulnerability of FL to such attacks, where individual backdoors can be successfully learned without impacting the main task. This research emphasizes the critical need for robust defenses against diverse backdoor attacks in the evolving FL landscape. While our focus is on empirical analysis, we believe it can guide backdoor research toward more realistic settings, highlighting the crucial role of FL in building robust defenses against diverse backdoor threats. The code is available at \url{https://anonymous.4open.science/r/nba-980F/}.

چکیده به فارسی (ترجمه ماشینی)

علیرغم وعده یادگیری فدرال (FL) برای آموزش مدل حفظ حریم خصوصی در مورد داده های توزیع شده ، همچنان مستعد حملات پشتی است.این حملات با تعبیه محرک ها (الگوهای ورودی خاص) در داده های آموزش ، مدل ها را دستکاری می کنند ، و مجبور می شوند طبقه بندی نادرست را به عنوان کلاس های از پیش تعریف شده در طول استقرار مجبور کنند.حملات تک محرک سنتی و کارهای اخیر در مورد حملات تعاونی چند محرک ، که در آن مشتری ها با هم همکاری می کنند ، به دلیل نیازهای هماهنگی محدودیت های واقع گرایی حمله را برجسته می کنند.ما یک سناریوی نگران کننده تر را بررسی می کنیم: حملات چند محرک غیر تعاونی.در اینجا ، مخالفان مستقل محرکهای متمایز را هدف قرار می دهند که کلاسهای منحصر به فرد را هدف قرار می دهند.این حملات موازی از ماهیت غیر متمرکز FL بهره برداری می کند و تشخیص را دشوار می کند.آزمایشات ما آسیب پذیری نگران کننده FL در چنین حملاتی را نشان می دهد ، جایی که می توان بدون تأثیرگذاری بر کار اصلی ، با موفقیت آموخت.این تحقیق بر نیاز اساسی به دفاعی قوی در برابر حملات متنوع پشتی در چشم انداز در حال تحول FL تأکید دارد.در حالی که تمرکز ما روی تجزیه و تحلیل تجربی است ، ما معتقدیم که می تواند تحقیقات پشتی را به سمت تنظیمات واقع بینانه تر راهنمایی کند ، و نقش اساسی FL در ایجاد دفاع های قوی در برابر تهدیدات متنوع پشتی را برجسته می کند.کد در \ url {https://anonymous.4open.science/r/nba-980f/} در دسترس است.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.