文档摘要

4.2 后门攻击与联邦学习安全 本节摘要：后门攻击（Backdoor Attack）是数据投毒的一种"精装版"——它不追求让模型普遍变差，而是让模型在正常情况下表现正常，只有输入里出现特定"触发器"时才按攻击者的意愿行事，因此极难被发现。联邦学习（Federated Learning）则是另一类风险：数据不出本地的分布式训练看似安全，却在梯度交换和客户端协作中引入了新的投毒与隐私泄露面。 会员。《4.2 后门攻击与联邦学习安全》收录于灏天文库文集《AI安全与对抗机器学习》，原作者/来源：灏天文库，整理自「灏天文库」，提供技术教程、实践指南与问题解决方案，支持在线阅读、全文检索与知识沉淀，助力开发者系统化学习。本站整理收录，版权归原作者/开源协议所有。

该文档为会员专享，请先登录或注册后再查看

登录 注册

---

作者与出处

原作者： 灏天文库

来源：灏天文库

原文： https://aiknowledge.cn/collection/649-ai%E5%AE%89%E5%85%A8%E4%B8%8E%E5%AF%B9%E6%8A%97%E6%9C%BA%E5%99%A8%E5%AD%A6%E4%B9%A0

整理： 灏天文库整理

由灏天文库平台收录，内容或由平台用户上传，仅供学习交流