CSVAR：通过自适应洗牌缓解过拟合以增强联邦学习中的视觉隐私
密码学与安全
2025-06-03 v1
摘要
尽管联邦学习将训练数据保留在本地隐私域内，但聚合的模型参数仍可能泄露隐私特征。这种脆弱性源于客户端有限的训练数据，这使模型容易发生过拟合。这种过拟合使模型能够记住训练样本中的独特模式，从而放大了成员推理等隐私攻击的成功概率。为了增强 FL 中的视觉隐私保护，我们提出了 CSVAR（基于方差引导自适应区域划分的通道空间图像洗牌），这是一种新颖的图像洗牌框架，用于生成混淆图像以实现安全数据传输和每个训练 epoch，同时解决过拟合引起的隐私泄露和原始图像传输风险。CSVAR 采用区域方差作为度量来衡量图像各区域的视觉隐私敏感度。在此指导下，CSVAR 将每个区域自适应地划分为多个块，对具有高区域方差的隐私敏感区域应用细粒度划分以增强视觉隐私保护，对隐私不敏感区域应用粗粒度划分以平衡模型效用。在每个区域中，CSVAR 随后在空间域和颜色通道上的块之间进行洗牌，以隐藏视觉空间特征并破坏颜色分布。在多样化真实世界数据集上进行的实验评估表明，CSVAR 能够生成在人类视觉上具有高度感知模糊性的视觉混淆图像，同时减轻对抗性数据重构攻击的有效性，并在视觉隐私保护与模型效用之间实现良好的权衡。
引用
@article{arxiv.2506.01425,
title = {CSVAR: Enhancing Visual Privacy in Federated Learning via Adaptive Shuffling Against Overfitting},
author = {Zhuo Chen and Zhenya Ma and Yan Zhang and Donghua Cai and Ye Zhang and Qiushi Li and Yongheng Deng and Ye Guo and Ju Ren and Xuemin and Shen},
journal= {arXiv preprint arXiv:2506.01425},
year = {2025}
}