Mitigación de ataques backdoor que preservan la privacidad en el aprendizaje federado utilizando cifrado funcional

El Aprendizaje Federado (FL) revoluciona el aprendizaje automático colaborativo al descentralizar el entrenamiento de modelos entre clientes con datos generados localmente. Este enfoque es particularmente útil en escenarios que involucran datos privados, permitiendo a las organizaciones colaborar en el entrenamiento de modelos mientras preservan la privacidad de los datos. Sin embargo, investigaciones recientes han expuesto vulnerabilidades en FL, especialmente la susceptibilidad a ataques adversarios, donde clientes maliciosos pueden manipular su entrenamiento local para comprometer el modelo global. Este estudio aborda el desafío de los ataques adversarios en FL proponiendo un marco de defensa novedoso. El marco incluye un mecanismo de cifrado para las actualizaciones de gradientes para protegerse contra servidores inquisitivos o maliciosos y un mecanismo de filtrado resistente para detectar y mitigar con precisión a los participantes maliciosos. Experimentos extensos y un análisis sistemático demuestran la superior eficacia del mecanismo de defensa propuesto en comparación con las técnicas contemporáneas de vanguardia en la mitigación de ataques backdoor en escenarios de aprendizaje federado. Las contribuciones de este trabajo incluyen una eliminación eficaz de backdoors sin comprometer el rendimiento del modelo, un mecanismo de cifrado específico de gradientes para la confidencialidad de los datos, y un enfoque de filtrado que mejora la detección de anomalías en entornos de aprendizaje federado.