DRAGD：基于梯度差异的联邦遗忘数据重建攻击
机器学习
2025-07-15 v1 人工智能
摘要
联邦学习允许在保持数据隐私的前提下进行协作机器学习。然而，联邦遗忘的兴起旨在允许客户端从全局模型中擦除其数据，带来了新的隐私关注。具体而言，遗忘过程中的梯度交换可能泄露已删除数据的敏感信息。本文引入 DRAGD，一种新型攻击方法，利用遗忘前后的梯度差异来重建被遗忘的数据。我们还提出 DRAGDP，其增强版利用可获取的先验数据来提高重建精度，尤其适用于复杂数据集如人脸图像。广泛实验表明，DRAGD 和 DRAGDP 在数据重建方面显著优于现有方法。我们的工作凸显了联邦遗忘中的关键隐私漏洞，并为实际应用中的联邦遗忘系统安全提供了实用解决方案。
引用
@article{arxiv.2507.09602,
title = {DRAGD: A Federated Unlearning Data Reconstruction Attack Based on Gradient Differences},
author = {Bocheng Ju and Junchao Fan and Jiaqi Liu and Xiaolin Chang},
journal= {arXiv preprint arXiv:2507.09602},
year = {2025}
}