FLSec: Securing Federated Learning against Poisoning Attacks

Verteiltes Lernen und insbesondere Federated Learning (FL) ist ein Ansatz des maschinellen Lernens, bei dem mehrere Teilnehmer gemeinsam ein Modell eines Neuronalen Netzes (NN) auf ihren privaten Daten trainieren, ohne die Daten teilen zu müssen. Mit der zunehmenden Anwendung von FL-Systemen in großem Maßstab in der realen Welt, z. B. für die Erkennung von IoT-Malware oder das Risikomanagement auf Mobilen Geräten, ergeben sich eine Reihe von Herausforderungen in Bezug auf Sicherheit, Datenschutz und Funktionalität bei der Entwicklung und Implementierung der zugrunde liegenden Algorithmen und Systeme. Dieser interaktive Kurs gibt eine Einführung in die Sicherheitsperspektive des maschinellen Lernens und fokussiert sich im weiteren auf Angriffe auf die Sicherheit und den Datenschutz in FL-Systemen und deren Abwehr. Der Kurs behandelt insbesondere Angriffe wie Model/Data Poisoning und Backdoor-Attacken, die es dem Angreifer ermöglichen, das Ergebnis des lernenden Systems zu kontrollieren. Der Kurs umfasst die Einführung in die verschiedenen Komponenten von FL-Systemen sowohl auf den Clients als auch auf dem Server (Aggregationsalgorithmen) und bietet praktische Aufgaben mit unterschiedlichem Schwierigkeitsgrad, einschließlich der modernsten Backdoor-Angriffe und Verteidigungsmaßnahmen. Hinweis: Aufgrund des hohen Praxisanteils ist der Kurs auf 10 Teilnehmer begrenzt. Sollten mehr als 10 Personen teilnehmen wollen, werden die Plätze nach der Ersten Vorlesung (15.04.2026) unter den Anwesenden per Los vergeben.