联邦学习中多步梯度反转攻击的非线性轨迹建模
机器学习
2025-12-16 v2 密码学与安全
摘要
联邦学习 (FL) 实现了在保护隐私的同时进行协作训练，但梯度反转攻击 (GIAs) 通过从共享梯度中重构私有数据构成了严重威胁。在具有多步更新的真实 FedAvg 场景中，现有的替代方法如 SME 依赖线性插值来近似客户端轨迹以实现隐私泄露。然而，我们证明线性假设从根本上低估了 SGD 的非线性复杂性，在非凸景观中仅具有一维表达能力时遇到了不可约的近似障碍。我们提出了非线性替代模型扩展 (NL-SME)，这是首个在针对 FL 的 GIAs 中引入可学习二次 B\'ezier 曲线进行轨迹建模的框架。NL-SME 利用 -维控制点参数化结合 dvec 缩放和正则化机制，实现了优越的近似精度。在 CIFAR-100 和 FEMNIST 上的大量实验表明，NL-SME 在所有指标上显著优于基线，实现了 94%–98% 的性能差距和余弦相似度损失的数量级提升，同时保持了计算效率。这项工作揭示了 FL 多步范式中的关键隐私漏洞，并为鲁棒防御的开发提供了见解。
引用
@article{arxiv.2509.22082,
title = {Non-Linear Trajectory Modeling for Multi-Step Gradient Inversion Attacks in Federated Learning},
author = {Li Xia and Jing Yu and Zheng Liu and Sili Huang and Wei Tang and Xuan Liu},
journal= {arXiv preprint arXiv:2509.22082},
year = {2025}
}