TL;DR
- چکیده:.
- یادگیری تقسیم عمودی (SL) آموزش مدل مشترک را در بین طرفهایی که ویژگیهای مکمل را بدون اشتراکگذاری دادههای.
- خام در اختیار دارند،.
چه اتفاقی افتاد
چکیده:. یادگیری تقسیم عمودی (SL) آموزش مدل مشترک را در بین طرفهایی که ویژگیهای مکمل را بدون اشتراکگذاری دادههای.
خام در اختیار دارند،. امکانپذیر میکند،.
اما کار اخیر نشان داده است که در برابر حملات درب پشتی مبتنی بر مسمومیت که بر روی. جاسازیهای میانی انجام میشوند،.
بسیار آسیبپذیر است. با به خطر انداختن کلاینتهای مخرب،.
دشمنان میتوانند محرکهای پنهانی را تزریق کنند که مدل سمت سرور را دستکاری میکند در حالی که شناسایی. آن دشوار است،.
و دفاعهای موجود استحکام محدودی در برابر حملات تطبیقی ارائه میکنند. در این مقاله،.
ProtoGuard-SL را پیشنهاد میکنیم،. یک دفاع سمت سرور که استحکام یادگیری تقسیمبندی را با بهرهبرداری از سازگاری نمایش شرطی کلاس در فضای.
جاسازی بهبود میبخشد. انگیزه رویکرد ما این است که تعبیههای خوشخیم در یک طبقه همراستایی معنایی پایداری از خود نشان میدهند،.
در حالی که تعبیههای مسموم ناگزیر این را مختل میکنند. ساختار ProtoGuard-SL یک چارچوب دو مرحلهای را اتخاذ میکند که نمونههای اولیه کلاس قوی را میسازد و جاسازیها.
را به یک نمایش سازگار با نمونه اولیه تبدیل میکند،. و به دنبال آن یک استراتژی فیلتر همشکل بدون توزیع با کلاس برای شناسایی و حذف تعبیههای غیرعادی.
دنبال میشود. آزمایشهای گسترده بر روی سه مجموعه داده،.
CIFAR-10،. SVHN،.
و بازاریابی بانکی،. تحت سه تنظیمات حمله مختلف انجام شدهاند که نشان میدهد روش ما به عملکردی پیشرفته دست مییابد.
ICME 2026 رمزنگاری و امنیت (cs. CR) استناد بهعنوان: (یا v1 [cs.
CR] برای این نسخه) https:. // شده توسط arXiv از طریق DataCite تاریخچه ارسال از:.
Zhihao Dou [مشاهده ایمیل] [v1] شنبه،. 4 آوریل 2026،.
05:. 24:.
09 UTC (258 KB).
چرا مهم است
اهمیت این خبر در این است که روی استفاده واقعی از AI و تصمیمگیری سازمانی اثر میگذارد.
منبع
لینک منبع اصلی در کارت و صفحه مقاله نمایش داده میشود.