AugMixCloak：一种通过图像变换防御成员推理攻击的方法
机器学习
2025-05-13 v1
摘要
传统机器学习（ML）引发了严重的隐私担忧，而联邦学习（FL）通过将数据保留在本地设备上来降低数据泄露的风险。然而，FL的训练过程仍可能泄露敏感信息，攻击者可利用这些信息推断隐私数据。其中最突出的威胁之一是成员推理攻击（MIA），攻击者旨在确定某条特定数据记录是否属于训练集。本文通过一种名为AugMixCloak的两阶段防御方法来解决此问题。其核心思想是对查询图像应用数据增强和基于主成分分析（PCA）的信息融合，这些查询图像被感知哈希（pHash）检测为与训练集中的图像完全相同或高度相似。实验结果表明，AugMixCloak在五个数据集和多种去中心化联邦学习（DFL）拓扑结构上，成功防御了基于二分类器的MIA和基于度量的MIA。与基于正则化的防御相比，AugMixCloak显示出更强的保护能力。与置信度分数掩蔽相比，AugMixCloak展现出更好的泛化性。
引用
@article{arxiv.2505.07149,
title = {AugMixCloak: A Defense against Membership Inference Attacks via Image Transformation},
author = {Heqing Ren and Chao Feng and Alberto Huertas and Burkhard Stiller},
journal= {arXiv preprint arXiv:2505.07149},
year = {2025}
}