穿透隐私：基于超平面的联邦学习数据重构攻击
机器学习
2025-09-08 v2 人工智能
密码学与安全
摘要
联邦学习（FL）通过在分布式客户端之间进行协作训练机器学习模型，旨在不共享原始数据的情况下保留数据隐私。然而，最近的研究揭示了FL的关键漏洞，表明恶意中心服务器可操纵模型更新来重构客户端的私人训练数据。现有的数据重构攻击面临重要限制：它们通常依赖于对客户端数据分布的假设，或在批量大小超过仅几十个样本时效率显著下降。本文引入一种新颖的数据重构攻击，克服了这些限制。我们的方法从全连接层的几何视角出发，构建恶意模型参数，从而在分类任务中无需对客户端数据进行任何先验知识，即可完美恢复任意大小的数据批次。通过在图像和表格数据集上的大量实验，我们展示了我们的攻击优于现有方法，能够完美重构比最先进技术大两个数量级的数据批次。
引用
@article{arxiv.2505.10264,
title = {Cutting Through Privacy: A Hyperplane-Based Data Reconstruction Attack in Federated Learning},
author = {Francesco Diana and André Nusser and Chuan Xu and Giovanni Neglia},
journal= {arXiv preprint arXiv:2505.10264},
year = {2025}
}