面向联邦回归任务的属性推断攻击
机器学习
2025-04-17 v2 人工智能
密码学与安全
摘要
联邦学习（FL）使多个客户端（如手机和物联网设备）能够协同训练全局机器学习模型，同时保持数据本地化。然而，最近的研究表明，FL 的训练阶段容易受到重构攻击（如属性推断攻击（AIA）），攻击者利用交换的消息和辅助公开信息来揭示目标客户端的敏感属性。虽然这些攻击在分类任务的背景下已被广泛研究，但它们对回归任务的影响在很大程度上尚未被探索。在本文中，我们通过提出专门为 FL 环境中的回归任务设计的新型基于模型的 AIA 来填补这一空白。我们的方法考虑了攻击者可以窃听交换的消息或直接干扰训练过程的场景。我们使用真实世界的数据集将提出的攻击与最先进的方法进行了基准测试。结果表明，重构精度显著提高，特别是在 FL 中常见的异构客户端数据集场景中。我们基于模型的 AIA 的有效性使其成为经验性量化联邦回归任务隐私泄露的更好候选方案。
引用
@article{arxiv.2411.12697,
title = {Attribute Inference Attacks for Federated Regression Tasks},
author = {Francesco Diana and Othmane Marfoq and Chuan Xu and Giovanni Neglia and Frédéric Giroire and Eoin Thomas},
journal= {arXiv preprint arXiv:2411.12697},
year = {2025}
}