联邦学习金融欺诈检测双阶段防御方案提出

研究者 Maria-Ioana-Andrea Ivan 等人提出名为 Enhanced Detective 的双阶段鲁棒聚合策略，用于联邦学习金融欺诈检测中抵御内部投毒攻击。该策略结合中位数绝对偏差（MAD）、基于距离的更新过滤与 FedMedian 聚合，针对恶意客户端篡改本地数据或模型更新的情况。 在不平衡信用卡数据集上，经 50 轮通信评估定向标签翻转与权重缩放攻击，当恶意客户端占比达 40% 时，该方案取得 0.796 的 AUPRC 和 0.847 的召回率。上述结果来自研究者的论文报告。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。