纵向联邦学习中仅需简单变换即可实现数据保护

Andrei Semenov; Philip Zmushko; Alexander Pichugin; Aleksandr Beznosikov

纵向联邦学习中仅需简单变换即可实现数据保护

机器学习 2024-12-17 v1 密码学与安全

作者: Andrei Semenov , Philip Zmushko , Alexander Pichugin , Aleksandr Beznosikov

摘要

纵向联邦学习(VFL)旨在实现深度学习模型的协作训练，同时保持隐私保护。然而，VFL过程中仍存在易受恶意方攻击的组件。在我们的工作中，我们考虑特征重构攻击，这是一种针对输入数据泄露的常见风险。我们从理论上声称，如果没有数据先验分布的知识，特征重构攻击无法成功。因此，我们证明即使简单的模型架构变换也能显著影响VFL期间输入数据的保护。通过实验结果证实这些发现，我们表明基于MLP的模型能够抵抗最先进的特征重构攻击。

关键词

纵向联邦学习特征重构攻击隐私保护 MLP 模型变换数据先验分布

引用

@article{arxiv.2412.11689,
  title  = {Just a Simple Transformation is Enough for Data Protection in Vertical Federated Learning},
  author = {Andrei Semenov and Philip Zmushko and Alexander Pichugin and Aleksandr Beznosikov},
  journal= {arXiv preprint arXiv:2412.11689},
  year   = {2024}
}

备注

29 pages, 12 figures, 3 tables

纵向联邦学习中仅需简单变换即可实现数据保护

摘要

关键词

引用

备注

相关论文