IEEE TIFS·精选AI 评分58
GHOST：在 non-IID 联邦学习中利用 GAN 与未来更新预判实现策略性后门持久化
GHOST: GAN-Harnessed Optimization for Strategic Backdoor Persistence With Future Update Anticipation in Non-IID Federated Learning
AI 导读
论文提出 GHOST 两阶段后门攻击方法，用于在 non-IID 联邦学习中维持后门持久性。第一阶段用 GAN 借助全局模型反馈推断其他客户端的数据分布，以缩小本地与全局分布差距；第二阶段用 GAN 生成的数据近似良性客户端行为，模拟并预判未来轮次的全局模型，从而跨多轮优化后门持久性而非只针对当前轮。 开源代码：github.com/TryGhost/Ghost
推荐理由
论文针对 non-IID 联邦学习下后门易被良性更新覆盖的问题，用 GAN 推断其他客户端分布并预演后续轮次，思路对联邦后门持久性研究有参考价值。
来源：IEEE TIFS · doi.org