面向合成孔径雷达图像目标识别的噪声感知与动态自适应联邦防御框架
摘要
作为计算智能在遥感领域的关键应用，基于深度学习的合成孔径雷达（SAR）图像目标识别有助于智能感知，但通常依赖于集中式训练，其中将多源SAR数据上传到单个服务器，引发隐私和安全问题。联邦学习（FL）为SAR图像目标识别提供了一种新兴的计算智能范式，使跨站点协作成为可能，同时保留本地数据隐私。然而，FL面临着严重的安全风险，恶意客户端可以利用SAR的乘性斑点噪声隐藏后门触发器，严重挑战计算智能模型的鲁性。为应对这一挑战，我们提出了 NADAFD（噪声感知与动态自适应联邦防御框架），该框架集成了频域、空间域和客户端行为分析，以对抗SAR特有的后门威胁。具体而言，我们引入了频域协作逆变机制以暴露跨客户端谱不一致性，以识别隐藏的后门触发器。我们进一步设计了一种噪声感知对抗训练策略，将 分布的斑点特征嵌入掩码引导的对抗样本生成中，以增强对后门攻击和SAR斑点噪声的鲁性。此外，我们提出了动态健康评估模块，跟踪客户端在训练轮次中的更新行为，并自适应调整聚合权重以缓解不断演变的恶意贡献。在MSTAR和OpenSARShip数据集上的实验表明，NADAFD在干净测试样本上实现了更高的准确率，在触发输入上的后门攻击成功率更低于现有的联邦后门防御方法。
引用
@article{arxiv.2601.00900,
title = {Noise-Aware and Dynamically Adaptive Federated Defense Framework for SAR Image Target Recognition},
author = {Yuchao Hou and Zixuan Zhang and Jie Wang and Wenke Huang and Lianhui Liang and Di Wu and Zhiquan Liu and Youliang Tian and Jianming Zhu and Jisheng Dang and Junhao Dong and Zhongliang Guo},
journal= {arXiv preprint arXiv:2601.00900},
year = {2026}
}
备注
This work was supported in part by the National Key Research and Development Program of China under Grant 2021YFB3101100, in part by the National Natural Science Foundation of China under Grant 62272123, 42371470, and 42461057, in part by the Fundamental Research Program of Shanxi Province under Grant 202303021212164. Corresponding authors: Zhongliang Guo and Junhao Dong