DecoyTrace: Toxic Decoys for Active Defense in Decentralized Federated Learning
该论文针对去中心化联邦学习（DFL, Decentralized Federated Learning）场景下防御能力不足的问题，提出了名为 DecoyTrace 的主动式网络欺骗防御方案。DFL 取消了中心聚合服务器，虽然避免了单点故障，
#poisoning-defense
共收录 4 条相关情报。
← 返回所有主题MESAS: Poisoning Defense for Federated Learning Resilient against Adaptive Attackers.
联邦学习（Federated Learning, FL）通过在不共享原始数据的情况下协作训练模型，能够保护数据隐私、降低通信开销，并利用多样化的数据源提升模型性能。然而，FL 面临多种安全威胁，包括无目标投毒攻击（untargeted po
MutMem: Cryptographically Authorized Mutation in Persistent Agent Memory
该论文提出 MutMem，一个用于持久化智能体内存的授权变更协议，并集成在 HOM-AIMOS 持久化内存引擎中。核心问题在于：持久化内存需要根据后续结果调整早期证据，但可变的检索权重会引发“归因问题”——审查者必须区分经授权的自适应变更与
Safe-RULE: Safe Reinforcement UnLEarning
离线安全强化学习（Offline Safe RL）能够在没有在线交互的情况下学习策略，因此适用于机器人等安全关键系统。然而，其依赖静态数据集的特点使其容易遭受数据投毒攻击，攻击者注入恶意样本以破坏安全性并导致不安全策略行为。本文提出一种新的