从风险到韧性：迈向联邦学习中数据重建攻击风险的评估与缓解
机器学习
2025-12-18 v1
摘要
数据重建攻击（DRA）对联邦学习（FL）系统构成重大威胁，使攻击者能够从本地客户端推断敏感训练数据。尽管已有大量研究，但由于缺乏理论基础的风险量化框架，如何表征和评估 FL 系统中的 DRA 风险这一问题仍未解决。在本工作中，我们通过引入可逆性损失来量化给定数据实例和 FL 模型中 DRA 可达到的最大效果，从而填补了这一空白。我们推导了 InvLoss 的紧致且可计算的上界，并从三个角度探讨其含义。首先，我们证明 DRA 风险由交换模型更新或特征嵌入的雅可比矩阵的谱性质所决定，为防御方法的有效性提供了统一的解释。其次，我们开发了 InvRE，一个基于 InvLoss 的 DRA 风险估计器，能够提供与攻击方法无关的、全面的跨数据实例和模型架构的风险评估。第三，我们提出了两种自适应噪声扰动防御措施，在不损害分类准确率的前提下增强 FL 隐私。在真实数据集上的大量实验验证了我们的框架，展示了其在 FL 系统中系统化评估和缓解 DRA 风险的潜力。
引用
@article{arxiv.2512.15460,
title = {From Risk to Resilience: Towards Assessing and Mitigating the Risk of Data Reconstruction Attacks in Federated Learning},
author = {Xiangrui Xu and Zhize Li and Yufei Han and Bin Wang and Jiqiang Liu and Wei Wang},
journal= {arXiv preprint arXiv:2512.15460},
year = {2025}
}