FLAT：基于潜在驱动的联邦学习任意目标后门攻击
机器学习
2025-08-07 v1 人工智能
计算机视觉与模式识别
摘要
联邦学习（FL）易受到后门攻击，但大多数现有方法局限于固定模式或单目标触发器，缺乏灵活性且容易被检测。我们提出 FLAT（FL Arbitrary-Target Attack），一种新型后门攻击，利用潜在驱动的条件自编码器生成所需的多样化、针对性触发器。通过引入潜在代码，FLAT 能够创建视觉上自适应且高度可变的触发器，使攻击者无需重新训练即可选择任意目标，并能规避常规检测机制。我们的方案在单一框架内统一了攻击成功率、隐蔽性和多样性，为联邦学习中的后门攻击引入了新的灵活性和 sophistication。广泛实验表明，FLAT 能实现高攻击成功率，并在应对高级联邦防御时保持稳健。这些结果凸显了针对基于潜在驱动的多目标后门威胁在联邦设置下迫切需要新的防御策略。
引用
@article{arxiv.2508.04064,
title = {FLAT: Latent-Driven Arbitrary-Target Backdoor Attacks in Federated Learning},
author = {Tuan Nguyen and Khoa D Doan and Kok-Seng Wong},
journal= {arXiv preprint arXiv:2508.04064},
year = {2025}
}