DRAG：基于引导扩散的数据重建攻击
机器学习
2025-09-16 v1 计算机视觉与模式识别
摘要
随着大型基础模型的兴起，分割推理(SI)已成为一种流行的计算范式，用于在轻量级边缘设备和云端服务器之间部署模型，解决数据隐私和计算成本 concerns。然而，现有大多数数据重建攻击仅聚焦于较小的CNN分类模型，使foundation模型在SI场景下的隐私风险鲜有探讨。为填补这一空白，我们提出一种基于引导扩散的新型数据重建攻击方法，该方法利用在大规模数据集上预训练的潜在扩散模型(LDM)所嵌入的丰富先验知识。我们的 method 在对LDM所学习的图像先验进行迭代重建，有效地生成与原始数据相似的高保真图像。广泛的实验表明，我们的方法在对视觉 foundation 模型深层中间表示(IR)的重建中，在质量和数量上均显著优于最先进的方法。结果凸显了在SI场景下大型模型需要更健全隐私保护机制的紧迫性。代码已在https://github.com/ntuaislab/DRAG上发布。
引用
@article{arxiv.2509.11724,
title = {DRAG: Data Reconstruction Attack using Guided Diffusion},
author = {Wa-Kin Lei and Jun-Cheng Chen and Shang-Tse Chen},
journal= {arXiv preprint arXiv:2509.11724},
year = {2025}
}
备注
ICML 2025