联邦学习中高效的被动成员推断攻击
机器学习
2021-11-02 v1 密码学与安全
分布式、并行与集群计算
摘要
在跨设备联邦学习（FL）设定中，移动端等客户端与服务器协作训练全局机器学习模型，同时将数据保留在本地。然而，近期工作表明，仅窃听客户端与服务器间交换消息的对手仍可能泄露客户端的隐私信息。例如，对手可推断客户端是否拥有特定数据实例，这被称为被动成员推断攻击。本文提出一种新型被动推断攻击，其所需计算力与内存远少于现有方法。我们的实证结果显示，在 CIFAR100 数据集上，该攻击以三个数量级更少的内存空间与五个数量级更少的计算量实现了更高准确率（超过 个百分点）。
引用
@article{arxiv.2111.00430,
title = {Efficient passive membership inference attack in federated learning},
author = {Oualid Zari and Chuan Xu and Giovanni Neglia},
journal= {arXiv preprint arXiv:2111.00430},
year = {2021}
}
备注
Accepted as a poster in NeurIPS 2021 PriML workshop