您当前的位置:
首页 >
文章列表页 >
联邦学习中的模型逆向攻防研究综述
专题:复杂环境下分布式边缘智能 | 更新时间:2024-05-31
    • 联邦学习中的模型逆向攻防研究综述

    • Survey on model inversion attack and defense in federated learning

    • 在联邦学习领域,专家系统总结了模型逆向攻击的理论框架、攻击方法、防御策略及评估标准,为隐私保护研究提供新方向。
    • 通信学报   2023年44卷第11期 页码:94-109
    • DOI:10.11959/j.issn.1000-436x.2023209    

      中图分类号: TP309
    • 网络出版日期:2023-11

      纸质出版日期:2023-11-25

    移动端阅览

  • 王冬, 秦倩倩, 郭开天, 等. 联邦学习中的模型逆向攻防研究综述[J]. 通信学报, 2023,44(11):94-109. DOI: 10.11959/j.issn.1000-436x.2023209.

    Dong WANG, Qianqian QIN, Kaitian GUO, et al. Survey on model inversion attack and defense in federated learning[J]. Journal on communications, 2023, 44(11): 94-109. DOI: 10.11959/j.issn.1000-436x.2023209.

  •  
  •  

0

浏览量

15

下载量

0

CSCD

文章被引用时,请邮件提醒。
提交
工具集
下载
参考文献导出
分享
收藏
添加至我的专辑

相关文章

基于多方计算的安全拜占庭弹性联邦学习
空天地一体化网络中基于联邦深度强化学习的边缘协作缓存策略
基于零集中差分隐私的联邦学习激励方案
联邦学习中的拜占庭攻防研究综述
抗拜占庭攻击的梯度净化联邦自适应学习算法

相关作者

高鸿峰
黄浩
田有亮
刘亮
荆腾祥
段洁
毛武平
燕洪成

相关机构

贵州大学公共大数据国家重点实验室
贵州大学网络与信息化管理中心
贵州大学计算机科学与技术学院
中国空间技术研究院
重庆邮电大学通信与信息工程学院
0