饥饿联邦数据下稳健的智能家居人脸识别
机器学习
2022-11-22 v2 密码学与安全
摘要
在过去几年中，对抗攻击领域因对在各种任务中被公认为具有高分类能力的知名深度神经网络实现了成功的攻击成功率，而受到了众多研究者的广泛关注。然而，大多数实验是在单一模型下完成的，我们认为这在现实生活场景中可能并非理想情况。在本文中，我们引入了一种用于智能家居人脸识别的新型联邦对抗训练方法，名为 FLATS，在此我们观察到了一些在传统的联邦学习对抗攻击实验中不易察觉的有趣发现。通过对超参数应用不同的变化，我们发现我们的方法能使全局模型在饥饿联邦环境下具有稳健性。我们的代码可在 https://github.com/jcroh0508/FLATS 找到。
引用
@article{arxiv.2211.05410,
title = {Robust Smart Home Face Recognition under Starving Federated Data},
author = {Jaechul Roh and Yajun Fang},
journal= {arXiv preprint arXiv:2211.05410},
year = {2022}
}
备注
11 pages, 12 figures, 7 tables, accepted as a conference paper at IEEE UV 2022, Boston, USA