一种隐蔽的作案者：基于特征的分段学习重构攻击

分段学习（Split Learning, SL）是一种以隐私保留特性和最小计算需求闻名的分布式学习框架。以往的研究始终强调SL系统中服务器对抗者重建训练数据的潜在隐私泄露风险。然而, 这些研究往往依赖强假设或牺牲系统效用以提升攻击性能。本文引入一种新的半诚实数据重构攻击, 称为特征导向重构攻击（Feature-Oriented Reconstruction Attack, FORA）。与先前方法不同, FORA仅依赖有限的先验知识, 即服务器利用来自公共的辅助样本, 而不了解任何客户机的私人信息。这使FORA能够进行隐蔽攻击并实现稳健的性能。FORA所利用的关键漏洞是暴露了来自受害客户机输出的碎片数据中模型表示偏好。FORA通过特征级迁移学习构建替代客户机, 以紧密模拟受害客户机的表示偏好。凭借这个替代客户机, 服务器训练攻击模型以有效重建私人数据。大量实验表明, FORA的性能优于最先进的方法。此外, 本文系统评估了所提出方法在不同设置和先进防御策略下的适用性。