防御边缘：基于代表性注意力的机制以缓解联邦学习中的后门攻击

本研究旨在解决联邦学习中后门攻击检测的困难，特别针对边缘设备的非独立同分布数据的挑战。提出了一种名为FeRA的防御机制，通过跨客户端的内部特征表示注意力来区分良性和恶意客户端，显著降低了后门攻击成功率，同时在主任务上保持较高的准确性。这一方法无模型限制，对攻击不敏感，且不需要标记数据，非常适用于异构和资源有限的边缘设备。

本研究提出了一种FeRA防御机制，旨在解决联邦学习中的后门攻击检测问题。该方法通过特征表示注意力有效区分良性与恶意客户端，降低攻击成功率，同时保持高准确性，适合边缘设备应用。