GUIDE：借助去噪模型提升联邦学习中的梯度反向攻击
密码学与安全
2025-10-24 v2 人工智能
摘要
联邦学习（FL）通过多个客户端协同训练机器学习（ML）模型，同时保持数据隐私。相较于集中式 ML，联邦客户端传递本地计算的更新以训练全局模型。尽管这种范式应能提供比集中式 ML 更强的隐私保证，客户端更新仍易泄露隐私。对手方可利用这些更新推断训练数据的敏感属性，甚至通过梯度反向攻击（GIAs）重建原始输入。我们观察到，这些方法通常重建的原始输入是噪声近似，其质量可通过专用去噪模型得到增强。本文提出 Gradient Update Inversion with DEnoising（GUIDE）方法，利用扩散模型作为去噪工具以提高 FL 中的图像重建攻击质量。GUIDE 可集成到任何 GIAs 中，后者假设使用 surrogate 数据集，这在 GIAs 文献中是广泛采用的假设。我们全面评估了两种不同 FL 算法、模型和数据集的两种攻击情景。我们的结果表明，GUIDE 可无缝集成到两种最先进的 GIAs 中，在多个指标上显著提高重建质量。具体而言，GUIDE 在 DreamSim 指标下实现了最高 46% 的感知相似性提升。
引用
@article{arxiv.2510.17621,
title = {GUIDE: Enhancing Gradient Inversion Attacks in Federated Learning with Denoising Models},
author = {Vincenzo Carletti and Pasquale Foggia and Carlo Mazzocca and Giuseppe Parrella and Mario Vento},
journal= {arXiv preprint arXiv:2510.17621},
year = {2025}
}
备注
This work has been submitted to the IEEE for possible publication