标签翻转对抗性攻击下联合学习模型的实证分析
机器学习
2026-03-17 v1
摘要
本文对选取的联合学习模型进行经验性分析。所考察的具体学习模型包括多项逻辑回归（MLR）、支持向量分类器（SVC）、多层感知器（MLP）、卷积神经网络（CNN）、%循环神经网络（RNN）、随机森林、XGBoost和长短期记忆网络（LSTM）。对于每个模型，我们模拟标签翻转攻击，针对10个联合客户端和100个联合客户端进行大量实验。我们变化对抗性客户端的比例，从10%到100%，同时也变化每个对抗性客户端翻转标签的比例，从10%到100%。在其他结果之外，我们发现不同模型在我们标签翻转攻击中的固有鲁棒性存在差异，即对抗性客户端的比例，以及每个对抗性客户端翻转标签的比例。我们讨论了这些结果的潜在实际意义。
引用
@article{arxiv.2412.18507,
title = {An Empirical Analysis of Federated Learning Models Subject to Label-Flipping Adversarial Attack},
author = {Kunal Bhatnagar and Sagana Chattanathan and Angela Dang and Bhargav Eranki and Ronnit Rana and Charan Sridhar and Siddharth Vedam and Angie Yao and Mark Stamp},
journal= {arXiv preprint arXiv:2412.18507},
year = {2026}
}
备注
In: Stamp, M., Jure\v{c}ek, M. (eds) Machine Learning, Deep Learning and AI for Cybersecurity. Springer (2025)