Jove
Visualize
Contáctanos

Videos de Experimentos Relacionados

SLeak: Ataque de robo de privacidad multiobjetivo contra el aprendizaje dividido

Xiaoyang Xu, Wenzhe Yi, Juan Wang

    IEEE transactions on pattern analysis and machine intelligence
    |January 14, 2026
    PubMed
    Resumen
    Este resumen es generado por máquina.

    Videos de Conceptos Relacionados

    Survival Tree01:19

    Survival Tree

    388
    Survival trees are a non-parametric method used in survival analysis to model the relationship between a set of covariates and the time until an event of interest occurs, often referred to as the "time-to-event" or "survival time." This method is particularly useful when dealing with censored data, where the event has not occurred for some individuals by the end of the study period, or when the exact time of the event is unknown.
     Building a Survival Tree
    Constructing a...
    388

    También podría leer

    Artículos Relacionados

    Artículos vinculados a este trabajo por autores compartidos, revista y gráfico de citas.

    Ordenar por
    Same author

    The correlation between preoperative patellar tilt and clinical outcomes following unicompartmental knee arthroplasty.

    Journal of orthopaedic surgery and research·2026
    Same author

    First genome report of <i>Oudemansiella apalosarca</i> and comparative transcriptomics on fruiting body formation under different light conditions.

    Frontiers in fungal biology·2026
    Same author

    Optimization of biosynthesis process of bacterial cellulose membrane using seabuckthorn extract and its application in food preservation.

    International journal of biological macromolecules·2026
    Same author

    Staphylococcus aureus manipulates osteocytes to cause persistent chronic osteomyelitis and antibiotic resistance via pyroptosis pathway suppression.

    Drug resistance updates : reviews and commentaries in antimicrobial and anticancer chemotherapy·2025
    Same author

    Continuous Monitoring with AI-Enhanced BioMEMS Sensors: A Focus on Sustainable Energy Harvesting and Predictive Analytics.

    Micromachines·2025
    Same author

    Production of bacterial cellulose with high active components loading capacity for skin wound repair.

    International journal of biological macromolecules·2025
    Same journal

    TraGraph-GS: Trajectory Graph-based Gaussian Splatting for Arbitrary Large-Scale Scene Rendering.

    IEEE transactions on pattern analysis and machine intelligence·2026
    Same journal

    SWIFT: A Small-World Interaction Framework for Flow-Aware Trajectory Prediction in Autonomous Driving.

    IEEE transactions on pattern analysis and machine intelligence·2026
    Same journal

    HardFlow: Hard-Constrained Sampling for Flow-Matching Models Via Trajectory Optimization.

    IEEE transactions on pattern analysis and machine intelligence·2026
    Same journal

    Industrial Brain: Self-Evolving Neuro-Symbolic Autonomy with Causal Resilience for Cyber-Physical Systems.

    IEEE transactions on pattern analysis and machine intelligence·2026
    Same journal

    Adaptive Hardness-Driven Dictionary Distillation for Incomplete Streaming View Clustering.

    IEEE transactions on pattern analysis and machine intelligence·2026
    Same journal

    Mixture of Global and Local Experts with Diffusion Transformer for Controllable Face Generation.

    IEEE transactions on pattern analysis and machine intelligence·2026
    Ver todos los artículos relacionados
    JoVE
    x logofacebook logolinkedin logoyoutube logo
    ACERCA DE JoVE
    Visión GeneralLiderazgoBlogCentro de Ayuda JoVE
    AUTORES
    Proceso de PublicaciónConsejo EditorialAlcance y PolíticasRevisión por ParesPreguntas FrecuentesEnviar
    BIBLIOTECARIOS
    TestimoniosSuscripcionesAccesoRecursosConsejo Asesor de BibliotecasPreguntas Frecuentes
    INVESTIGACIÓN
    JoVE JournalMethods CollectionsJoVE Encyclopedia of ExperimentsArchivo
    EDUCACIÓN
    JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab ManualCentro de Recursos para ProfesoresSitio de Profesores
    Términos y Condiciones de Uso
    Política de Privacidad
    Políticas

    El aprendizaje dividido (SL) es vulnerable a ataques de privacidad. Una nueva amenaza, Split Leakage (SLeak), explota las preferencias de representación del cliente para robar datos y funcionalidad, incluso con datos públicos limitados.

    Área de la Ciencia:

    • Inteligencia Artificial
    • Seguridad del Aprendizaje Automático
    • Sistemas Distribuidos

    Sus antecedentes:

    • El aprendizaje dividido (SL) ofrece privacidad y eficiencia, pero enfrenta riesgos de ataques de inferencia.
    • Las defensas de privacidad SL existentes se basan en suposiciones poco realistas, lo que limita la efectividad en el mundo real.
    • Los adversarios del servidor pueden comprometer potencialmente la privacidad del cliente en los marcos SL.

    Objetivo del estudio:

    • Investigar las vulnerabilidades inherentes en los marcos de aprendizaje dividido (SL).
    • Introducir una nueva amenaza a la privacidad, Split Leakage (SLeak), contra SL.
    • Demostrar la efectividad de SLeak sin suposiciones de privacidad sólidas.

    Principales métodos:

    • Análisis de las preferencias de representación del cliente en los datos destruidos y el modelo del servidor de SL.
    Palabras clave:
    aprendizaje divididoseguridad del aprendizajeataque de privacidadrobo de datosaprendizaje automático distribuido

    Videos de Experimentos Relacionados

  • Desarrollo de un cliente sustituto para imitar el comportamiento del cliente objetivo.
  • Introducción de la amenaza Split Leakage (SLeak) para múltiples objetivos de privacidad.
  • Utilización de datos públicos auxiliares parciales del mismo dominio para los ataques.

    • Principales resultados:

    • Se identificó que tanto los datos destruidos como los modelos del servidor revelan las preferencias de representación del cliente.
    • Se demostró que un cliente sustituto puede replicar perfectamente la funcionalidad, los datos y las etiquetas del cliente objetivo.
    • Los ataques SLeak mostraron un rendimiento superior en comparación con los métodos de vanguardia en diversos conjuntos de datos y modelos.
    • Los estudios de ablación confirmaron la solidez y aplicabilidad de SLeak en varios escenarios.

    Conclusiones:

    • El aprendizaje dividido (SL) posee vulnerabilidades inherentes explotables por adversarios del servidor.
    • Split Leakage (SLeak) presenta una amenaza práctica y efectiva para la privacidad de SL.
    • El éxito de SLeak con requisitos mínimos de datos resalta los importantes riesgos de privacidad en el aprendizaje distribuido.