泄漏与学习：攻击者利用联邦学习泄漏数据训练模型的方法手册

联邦学习是一种去中心化的学习范式，旨在保护客户端数据的隐私。尽管如此，先前的工作表明，服务器端的攻击者仍然可以仅使用客户端更新来重建私有训练数据。这些攻击被称为数据重建攻击，分为两大类：梯度反转（GI）和线性层泄漏攻击（LLL）。然而，尽管这些攻击在破坏隐私方面表现出有效性，但先前的工作并未研究重建数据对下游任务的有用性。在这项工作中，我们通过使用泄漏数据训练和改进模型的视角来探索数据重建攻击。我们证明了GI和LLL攻击在使用泄漏数据恶意训练模型方面比良性联邦学习策略更准确。反直觉的是，这种训练质量的提升可能发生在重建质量有限或泄漏图像总数较少的情况下。最后，我们展示了这些攻击在下游训练中的局限性，分别针对GI攻击和LLL攻击。