FedGIG：基于联邦学习中的梯度的图结构数据反向推导
机器学习
2024-12-25 v1 密码学与安全
摘要
近期研究表明，联邦学习（Federated Learning）易受梯度反向攻击（Gradient Inversion Attacks, GIA）的威胁，这类攻击可从共享的梯度中恢复出私有训练数据。然而，现有方法针对图像或向量化文本等稠密连续数据设计，无法直接应用于稀疏离散的图结构数据。本文首先探讨了GIA对联邦图学习（Federated Graph Learning, FGL）的影响，提出了一种针对图结构数据的新型GIA方法——联邦学习中的图反向推导（Graph Inversion from Gradient in Federated Learning, FedGIG）。FedGIG包含邻接矩阵约束模块，确保重构图数据的稀疏性和离散性，并设计子图重构模块以补全缺失的常见子图结构。在分子数据集上进行的大量实验表明，FedGIG在已有GIA技术基础上具有卓越的精度。
引用
@article{arxiv.2412.18513,
title = {FedGIG: Graph Inversion from Gradient in Federated Learning},
author = {Tianzhe Xiao and Yichen Li and Yining Qi and Haozhao Wang and Ruixuan Li},
journal= {arXiv preprint arXiv:2412.18513},
year = {2024}
}