联邦学习基于惯性的人体活动识别中的标签泄露
机器学习
2025-08-08 v2 人机交互
摘要
尽管先前的工作表明联邦学习更新会泄露敏感信息，但旨在从共享梯度中恢复输入标签的标签重构攻击尚未在人体活动识别（HAR）背景下进行考察。鉴于活动标签的敏感性，本研究评估了最先进的基于梯度的标签泄露攻击在 HAR 基准数据集上的有效性。我们的研究结果表明，活动类别数量、采样策略和类别不平衡是影响标签泄露程度的关键因素，在两个基准数据集上，即使对于已训练的模型，重构准确率也远超 90%。此外，我们发现诸如梯度噪声和裁剪等本地差分隐私技术仅提供有限的保护，因为某些攻击仍能可靠地推断多数类和少数类标签。最后，我们为联邦 HAR 系统的隐私感知部署提供了实用建议，并指出了未来研究的开放性挑战。用于复现我们实验的代码已在 github.com/mariusbock/leakage_har 上公开。
引用
@article{arxiv.2505.20924,
title = {Label Leakage in Federated Inertial-based Human Activity Recognition},
author = {Marius Bock and Maximilian Hopp and Kristof Van Laerhoven and Michael Moeller},
journal= {arXiv preprint arXiv:2505.20924},
year = {2025}
}
备注
7 pages, 4 figures