FedGraph：图聚合防御联邦LLM后门攻击
热点事件持续更新
FedGraph：图聚合防御联邦LLM后门攻击
1 篇报道1 个报道来源16 小时前更新
先了解这件事
AI 综述
Xi Chen 等人提出 FedGraph，一种用于联邦大语言模型微调的图聚合防御框架，将客户端建模为动态图节点并提取结构特征，在聚合阶段区分并抑制恶意客户端的更新。 据该论文报告，FedGraph 将后门攻击成功率持续降至 10% 以下，平均检测准确率 95.5%，误报率 2.33%，表现优于现有联邦学习防御方法。这些数据来自论文自身实验，尚未经独立验证。
AI 根据报道生成 · 1 小时前更新
最新进展10月13日 22:08
FedGraph：基于图聚合防御联邦大语言模型微调中的后门攻击报道时间线
沿着报道，了解事件的不同侧面。
10月13日
- arXiv 隐私论文FedGraph：基于图聚合防御联邦大语言模型微调中的后门攻击
FedGraph 是一种基于图聚合的联邦大语言模型微调防御框架，通过将客户端建模为动态图中的节点并提取结构特征，区分更新高度一致的恶意客户端与更新分散的良性客户端，在聚合阶段识别并抑制恶意贡献。实验显示，该方法将攻击成功率持续降至 10% 以下，平均检测准确率达 95.5%，误报率仅 2.33%，显著优于现有联邦学习防御方法。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。