回归设定下针对拆分学习的标签推断攻击

作为纵向联邦学习（vFL）的关键组成部分，拆分学习（SL）已在双方模型训练协作中展现其实践价值，其中一方持有数据样本的特征，另一方持有相应标签。该方法被认为具有隐私性，因为共享信息仅为嵌入向量与梯度，而非私有原始数据与标签。然而，近期一些工作表明私有标签可能通过梯度泄露。这些已有攻击仅在分类设定下有效，其中私有标签是离散的。在本工作中，我们进一步研究回归模型场景中的泄露问题，其中私有标签为连续数值（而非分类中的离散标签）。由于输出范围无界，先前的攻击更难推断连续标签。为克服该局限，我们提出一种新颖的基于学习的攻击，其在模型训练特性方面融合梯度信息与额外的学习正则化目标，从而能在回归设定下有效推断标签。在多种数据集与模型上的综合实验证明了我们所提攻击的有效性。希望我们的工作能为未来使 vFL 框架更安全的分析铺平道路。