12:24arXiv cs.LG@Xiaolin Li, Ning Wang, Ninghui Li, Wenhai Sun该论文挑战了差分隐私(DP)固有增强联邦学习(FL)鲁棒性的假设。通过分析两种基线攻击策略,发现DP会掩盖恶意更新的统计特征,使现有防御失效。作者提出RING攻击,显式利用DP来隐藏恶意贡献,同时最大化攻击影响。在四个图像和文本数据集上的非独立同分布场景中,RING在中等隐私预算下对六种先进防御的平均攻击成功率达到90.3%,相比基线策略提升高达26.08倍。评估表明缓解该威胁会带来显著的效用权衡,暴露了差分隐私FL部署中的根本安全漏洞。论文Federated LearningDifferential PrivacyBackdoor AttackRINGAI安全推荐理由:这篇论文颠覆了'差分隐私天然防后门'的认知,提出了RING攻击,平均成功率90.3%,建议做联邦学习安全的都看看。原文
11:15arXiv cs.AI@Markus Bujotzek, Dimitrios Bounias, Stefan Denner, Ralf Floca, Maximilian Fischer, Peter Neher, Klaus Maier-Hein该基准套件整合了来自不同来源的真实噪声医学图像分割数据集,并设计了多种客户端-噪声场景(如轮廓不一致、缺失结构、标签混淆)。它提供了针对标签噪声的评估指标,支持系统性的联邦噪声标签学习(FNLL)评估。代码已在GitHub上开源(MIC-DKFZ/FedSegNoiseBench),为公平比较和未来方法开发奠定基础。论文Federated LearningMedical Image SegmentationNoisy Label Learning基准测试推荐理由:医学图像分割里标签噪声很头疼,这个基准套件专门测联邦学习下的真实场景,帮你挑最靠谱的去噪方法。原文