InfoDecom：分解信息以防御分裂推理中的隐私泄露
密码学与安全
2026-01-06 v2 人工智能
分布式、并行与集群计算
摘要
分裂推理（Split Inference, SI）使用户能够在不直接传输原始数据的情况下访问深度学习（DL）服务。然而，最近的研究表明，数据重建攻击（DRAs）可以从从客户端发送到服务器的“碎片化”数据中恢复原始输入，导致显著的隐私泄露。虽然提出了各种防御措施，但这些措施通常会导致显著的实用性下降，特别是当客户端侧模型较浅时。我们识别出这种权衡的关键原因：现有防御措施对碎片数据中的冗余信息施加过度扰动。为解决这一问题，我们提出InfoDecom框架，对计算机视觉任务中的冗余信息进行分解和移除，然后注入经过校准的噪声，以提供理论上可保证的隐私。实验表明，InfoDecom在实用性和隐私性之间的权衡方面优于现有基线方法。
引用
@article{arxiv.2511.13365,
title = {InfoDecom: Decomposing Information for Defending Against Privacy Leakage in Split Inference},
author = {Ruijun Deng and Zhihui Lu and Qiang Duan},
journal= {arXiv preprint arXiv:2511.13365},
year = {2026}
}
备注
11pages, 6figures. Accepted by AAAI 2026