探索用于防御联邦学习中毒攻击的视觉解释方法：通过自动编码器增强LayerCAM

联邦学习对抗模型毒化新方法LayerCAM-AE通过融合层激活映射与自动编码器，生成紧凑热图提升异常检测精度。实验在SVHN和CIFAR-100数据集上验证，实现100%检测准确率（Recall/F1/AUC=1.0，FPR=0.0），优于ResNet-50和REGNETY-800MF。

　　

摘要AI摘要

要查看此由AI生成的摘要，您必须具有高级访问权限。

了解更多登录

摘要

摘要

最近对联邦学习（FL）的攻击引入了恶意模型更新，这些更新可以绕过广泛采用的基于欧几里得距离的检测方法。本文提出了一种新的防御策略，称为LayerCAM-AE，旨在对抗联邦学习中的模型投毒行为。LayerCAM-AE结合了层类激活映射（LayerCAM）和自编码器（AE），显著提升了检测能力。具体而言，LayerCAM-AE为每次本地模型更新生成一个热图，然后将其转换为更简洁的可视化解释。自编码器处理来自本地模型更新的热图，提高了它们的区分度，并增加了识别异常热图和恶意本地模型的准确性。为了降低LayerCAM-AE中的误分类风险，开发了一种投票算法：如果某个本地模型更新在多轮通信中持续显示可疑的热图，则该模型更新被视为恶意模型。在SVHN和CIFAR-100数据集上进行了广泛测试，测试环境包括独立同分布（IID）和非独立同分布（non-IID）情况，并与最先进的ResNet-50和REGNETY-800MF防御模型进行了比较。实验结果表明，LayerCAM-AE提高了检测率（召回率：1.0，精确度：1.0，假阳性率：0.0，准确率：1.0，F1分数：1.0，AUC：1.0），并且超越了ResNet-50和REGNETY-800MF。我们的代码可在以下链接获取：https://github.com/jjzgeeks/LayerCAM-AE

AI摘要

AI生成的摘要（实验结果）

此摘要是使用自动化工具生成的，并非由文章作者编写或审核。它旨在帮助读者发现相关内容、评估文章的相关性，并协助来自相关研究领域的读者理解本文的研究。它是对作者提供的摘要的补充，作者提供的摘要仍然是文章的正式摘要。完整文章是权威版本。点击此处了解更多。

点击此处对摘要的准确性、清晰度和实用性进行评论。您的反馈将有助于改进未来的版本。

要查看此由AI生成的通俗语言摘要，您必须具有高级访问权限。