FedMID：一种使用中间输出作为防御机制防止联邦学习中的中毒攻击的无数据方法

原文约200字，阅读约需1分钟。发表于：。

通过对本地模型的中间输出进行功能映射，我们提出了一种新的防御联邦学习中的毒化攻击的方法，实验证明我们的机制在广泛的计算条件和高级攻击场景下都具有鲁棒性，通过联邦学习实现了数据敏感参与者之间更安全的协作。

该文章介绍了一种新的技术，用于检测和缓解联邦学习系统中的数据注入攻击。该方法是一个本地方案，在算法收敛时进行缓解。通过仿真实验表明，当协调节点检测到并隔离所有攻击者时，模型会恢复并收敛到可信模型。