GI-NAS：通过自适应神经网络结构搜索提升梯度反向攻击性能

梯度反向攻击在联邦学习系统中逆转传输的梯度以重建本地客户的敏感数据，引发了相当大的隐私关注。大多数梯度反向方法高度依赖显式的先验知识（例如预训练的生成模型），而在现实情景下往往不可得。这是因为真实世界的客户数据分布常高度异构且领域特定，对攻击者而言不可得，使得获取完美匹配的预训练模型在实际中不可行，这不可避免地会相对于目标私有数据 suffer 基本分布偏移。为缓解此问题，研究者提出利用过参数化网络的隐式先验知识。然而，他们仅利用固定的神经网络结构针对所有攻击设置，这会阻碍对隐式结构先验的自适应利用，从而限制了可泛化性。本文进一步利用此类隐式先验知识，提出通过神经网络结构搜索进行梯度反向 (GI-NAS)，自适应搜索网络结构并捕捉神经网络结构背后的隐式先验。大量实验验证了我们提出的 GI-NAS 能在更实际的设置下（高分辨率图像、大批量数据和先进防御策略）实现优于当前最优方法的优异攻击性能。我们是首次成功将 NAS 引入梯度反向社区。我们认为本工作通过无需领域特定先验知识即可实现对敏感数据的高保真重建，揭示了联邦学习在现实世界中的关键漏洞，迫使对 FL 隐私防护的紧急重新评估。