यह शोधपत्र CLIP-Fed का प्रस्ताव करता है, जो विषम क्लाइंट डेटा वितरणों के अंतर्गत फ़ेडरेटेड लर्निंग (FL) में बैकडोर हमलों से बचाव के लिए एक नवीन ढाँचा है। समरूप डेटा वितरणों या स्वच्छ सर्वर डेटासेट पर निर्भर मौजूदा रक्षा तकनीकों की सीमाओं को दूर करने के लिए, CLIP-Fed दृश्य-भाषा पूर्व-प्रशिक्षित मॉडलों की ज़ीरो-शॉट लर्निंग क्षमताओं का लाभ उठाता है। यह गैर-IID डेटा वितरणों के प्रभाव को कम करने के लिए पूर्व- और पश्च-एकत्रीकरण रक्षा रणनीतियों को एकीकृत करता है। यह क्लाइंट नमूनों के बिना एक बहु-मॉडल वृहद भाषा मॉडल और आवृत्ति विश्लेषण का उपयोग करके सर्वर डेटासेट का निर्माण और संवर्द्धन करता है, गोपनीयता संबंधी चिंताओं का समाधान करता है और विभिन्न ट्रिगर्स के विरुद्ध सुरक्षा को बढ़ाता है। इसके अलावा, बैकडोर नमूनों के कारण होने वाले वर्ग प्रोटोटाइप पूर्वाग्रह को दूर करने और ट्रिगर पैटर्न और लक्ष्य लेबल के बीच सहसंबंधों को दूर करने के लिए, हम प्रोटोटाइप कंट्रास्टिव लॉस और कुल्लबैक-लीब्लर डाइवर्जेंस का उपयोग करके संवर्धित डेटासेट पर वैश्विक मॉडल और CLIP ज्ञान को संरेखित करते हैं। CIFAR-10 और CIFAR-10-LT डेटासेट पर प्रायोगिक परिणाम दर्शाते हैं कि CLIP-Fed मौजूदा अत्याधुनिक तकनीकों की तुलना में औसत आक्रमण सफलता दर (ASR) को क्रमशः 2.03% और 1.35% तक कम करता है, तथा औसत मॉडल सटीकता (MA) को क्रमशः 7.92% और 0.48% तक सुधारता है।
