利用成员推断攻击测量联邦学习中远程感知图像隐私
密码学与安全
2026-01-13 v1 人工智能
计算机视觉与模式识别
摘要
联邦学习（FL）通过保持训练数据本地化来实现协作模型训练，使我们能够在包括远程感知在内的 various 领域中保留隐私。然而，最近的研究表明 FL 模型可能仍通过其输出泄露敏感信息，这激励着对隐私评估的严格要求。本文利用成员推断攻击（MIA）作为应用于远程感知图像分类的 FL 隐私测量框架。我们评估了多个黑盒 MIA 技术，包括基于熵的攻击、修改熵攻击和似然比攻击，涵盖不同的 FL 算法和通信策略。在两个公共场景分类数据集上进行的实验表明，MIA 有效揭示了不被准确率alone 捕捉到的隐私泄露。我们的结果表明，通信效率 FL 策略在保持竞争性能的同时降低了 MIA 成功率。这些发现确认 MIA 作为实用指标，并突显了在远程感知应用中将隐私测量集成到 FL 系统设计中的重要性。
引用
@article{arxiv.2601.06200,
title = {Leveraging Membership Inference Attacks for Privacy Measurement in Federated Learning for Remote Sensing Images},
author = {Anh-Kiet Duong and Petra Gomez-Krämer and Hoàng-Ân Lê and Minh-Tan Pham},
journal= {arXiv preprint arXiv:2601.06200},
year = {2026}
}
备注
5 pages