动作中的图像吗？——关于协作深度学习中视频泄露的初步探索
计算机视觉与模式识别
2025-09-15 v1
摘要
联邦学习（FL）允许多个实体协作训练共享模型，其核心隐私保护原则是仅交换模型更新（如梯度），而不交换原始敏感数据。这一方法是隐私和机密性重要领域应用的基础。然而，这一机制的安全性受到梯度逆向攻击的威胁，这些攻击可以直接从共享梯度中逆向工程出私人训练数据，从而破坏 FL 的目的。尽管已知这些攻击对图像、文本和表格数据的影响，但其对视频数据的影响仍是未被探索的研究领域。本文首次分析了联邦学习中视频数据泄露问题，采用梯度逆向攻击方法。我们评估了两种常见的视频分类方法：一种采用预训练特征提取器，另一种对原始视频帧进行简单变换处理。我们的初始结果表明，使用特征提取器对梯度逆向攻击具有更大的抵抗力。我们还演示了图像超分辨技术可用于增强通过梯度逆向攻击提取的帧，从而使攻击者能够重建更高质量的视频。我们的实验在攻击者获取零个、一个或多个目标环境参考帧的情况下均得到验证。我们发现尽管特征提取器使攻击更具挑战性，但仍可能发生数据泄露，如果分类器的复杂度不足。因此，我们得出结论，联邦学习中的视频数据泄露是一种可行的威胁，其发生条件值得进一步调查。
引用
@article{arxiv.2509.09742,
title = {Images in Motion?: A First Look into Video Leakage in Collaborative Deep Learning},
author = {Md Fazle Rasul and Alanood Alqobaisi and Bruhadeshwar Bezawada and Indrakshi Ray},
journal= {arXiv preprint arXiv:2509.09742},
year = {2025}
}