KDD

Targeted Label-Flipping and Oversampling Attacks on Federated Conditional GANs

针对联邦条件生成对抗网络的定向标签翻转与过采样攻击

Panav Shah, Avishek Ghosh

机构 * Indian Institute of Technology, Bombay（印度理工学院孟买分校） 纠错

AI总结 本研究针对联邦条件GAN，提出并验证了标签翻转及过采样变体攻击，发现其语义损害随中毒强度线性增长、分布偏差二次增长，攻击有效且难检测。

Comments 10 pages, 8 figures, FedKDD/FedMAS 2026 - KDD Workshop

Efficient Test-Time Scaling for LLM-based Time Series Forecasting

基于大语言模型的时间序列预测的高效测试时缩放

Xuan-May Le, Minh-Tuan Tran, Ling Luo, Uwe Aickelin, Dinh Phung, Trung Le

机构 * The University of Melbourne（墨尔本大学） ； Monash University（莫纳什大学） 纠错

AI总结 本研究提出 SCALER 框架，通过轻量 Transformer 预测未来粗粒度形状引导 LLM 迭代精调，在多类预测任务中优于基线且降低推理成本。

Comments Accepted at KDD 2026 (Oral)