利用防御机制对抗联邦学习中的基于GAN的特征推断攻击
密码学与安全
2025-05-01 v5 机器学习
摘要
联邦学习（FL）是一种去中心化的模型训练框架，旨在合并孤立的数据孤岛同时保护数据隐私。然而，近期研究表明，基于生成对抗网络（GAN）的攻击可被用于FL中以学习私有数据集的分布并重建可识别的图像。在本文中，我们利用针对FL中基于GAN攻击的防御手段，提出一个名为Anti-GAN的框架，以防止攻击者学习受害者数据的真实分布。Anti-GAN的核心思想是对私有训练图像的视觉特征进行操纵，使其即便被攻击者还原也难以被人眼分辨。具体而言，Anti-GAN将私有数据集投影到一个GAN的生成器上，并将生成的伪造图像与真实图像结合以创建训练数据集，随后用于联邦模型训练。实验结果表明，Anti-GAN能有效阻止攻击者学习私有图像的分布，同时对联邦模型的准确率损害极小。
引用
@article{arxiv.2004.12571,
title = {Exploiting Defenses against GAN-Based Feature Inference Attacks in Federated Learning},
author = {Xinjian Luo and Xianglong Zhang},
journal= {arXiv preprint arXiv:2004.12571},
year = {2025}
}
备注
Published in ACM Transactions on Knowledge Discovery from Data (TKDD), 2025