破解联邦聚类隐私：通过时序相关性实现完美输入重建
机器学习
2025-11-11 v1
摘要
联邦聚类允许多个参与方在不共享原始样本的情况下发现分布数据中的模式。为减少开销，许多协议在训练期间披露中间质心。虽然常被视为无害以提高效率，但此类披露是否侵犯隐私仍是一个未解决的问题。先前的分析将问题建模为所谉的隐藏子集求和问题（HSSP），并认为质心释放可能是安全的，因为经典HSSP攻击无法恢复输入。我们重新审视此问题，发现一种新的泄露机制：k-means迭代中的时序规律创建了可被利用的结构，从而实现完美输入重建。基于这一洞察，我们提出了一种名为Trajectory-Aware Reconstruction（TAR）的攻击方法，通过结合时序分配信息和代数分析来恢复原始输入的确切值。我们的发现提供了第一个严格的证据，得到实际攻击方法的支持，表明联邦聚类中质心披露显著侵犯隐私，暴露了隐私与效率之间的根本性张力。
引用
@article{arxiv.2511.07073,
title = {Breaking Privacy in Federated Clustering: Perfect Input Reconstruction via Temporal Correlations},
author = {Guang Yang and Lixia Luo and Qiongxiu Li},
journal= {arXiv preprint arXiv:2511.07073},
year = {2025}
}