EBLC

壓縮足跡化身安全訊號：利用破壞性壓縮抵禦聯邦學習中的模型投毒攻擊

Compression Footprints as Security Signals: Defending Federated Learning Against Model Poisoning

本研究提出 CRAFT 聚合防禦方法，將聯邦學習中常見的破壞性壓縮誤差轉化為安全特徵，在不增加額外通訊成本下，精準識別並過濾惡意投毒更新。