联邦学习新攻击：温度缩放扰动模型置信度

该研究提出一种针对联邦学习的温度缩放攻击，通过操纵模型置信度干扰风险控制逻辑。攻击可影响依赖置信度的系统决策，如升级、弃权或保守回退机制。

AI推荐理由 该攻击揭示联邦学习中基于置信度的安全机制可能被操纵，导致系统在关键决策时出现错误升级或回退，增加实际部署风险。实践者需重新审视置信度指标的可信度，并考虑校准或鲁棒性防御。