MAUI：联邦迁移学习中私有客户端数据的重构
密码学与安全
2025-09-16 v1
摘要
近期的联邦学习（FL）研究表明，利用迁移学习在平衡FL与集中式学习收益方面具有实用性。在此setting下，联邦训练发生在通过常规训练达到稳定点之后。全局模型权重首先在公共数据集上中心预训练，然后仅在客户端上对模型的最后几层（分类头）进行微调。在此scenario下，现有的联邦学习数据重构攻击（DRA）存在两个关键弱点：首先，来自初始模型层的强输入相关梯度信息从未被共享，显著降低了重构精度；其次，服务器对模型结构或参数进行高度特定、手工操控的DRA（例如全零权重层、恒等映射以及权重模式相同的所有行）容易被主动客户端检测到。改进于此，我们提出MAUI，这是一种不要求对模型架构或权重进行明显操控的 stealthy DRA，仅依赖于分类头的梯度。MAUI首先从分类头的梯度中提取输入batch的“robust”特征表示，随后将这些表示反向转换为原始输入。我们在CIFAR10和ImageNet数据集上报告了在各种模型架构（包括卷积网络CNN、VGG11、ResNet18/50、ShuffleNet-V2和Vision Transformer ViT B-32）上的高精度重构，无论batch size如何。MAUI在重构质量上显著优于先前的DRA，实现PSNR提升40-120%。
引用
@article{arxiv.2509.11451,
title = {MAUI: Reconstructing Private Client Data in Federated Transfer Learning},
author = {Ahaan Dabholkar and Atul Sharma and Z. Berkay Celik and Saurabh Bagchi},
journal= {arXiv preprint arXiv:2509.11451},
year = {2025}
}