通过梯度引导的条件扩散模型增强噪声扰动梯度的隐私泄露
密码学与安全
2025-11-18 v2
摘要
联邦学习通过梯度传输和聚合来同步模型。然而，这些梯度构成了重大的隐私风险，因为敏感的训练数据嵌入其中。现有的梯度反演攻击在梯度被噪声扰动（一种常见的防御机制）时，重建性能会显著下降。在本文中，我们引入了梯度引导的条件扩散模型，用于从泄露的梯度中重建私有图像，而无需目标数据分布的先验知识。我们的方法利用扩散模型固有的去噪能力来规避噪声扰动提供的部分保护，从而在这种防御下提高攻击性能。我们进一步提供了重建误差界和攻击损失收敛性质的理论分析，刻画了关键因素（如噪声幅度和受攻击模型架构）对重建质量的影响。大量实验证明了我们的攻击在带有高斯噪声扰动的梯度下具有优越的重建性能，并证实了我们的理论发现。
引用
@article{arxiv.2511.10423,
title = {Enhanced Privacy Leakage from Noise-Perturbed Gradients via Gradient-Guided Conditional Diffusion Models},
author = {Jiayang Meng and Tao Huang and Hong Chen and Chen Hou and Guolong Zheng},
journal= {arXiv preprint arXiv:2511.10423},
year = {2025}
}