对抗梯度重构攻击的最优防御

联邦学习(FL)旨在通过无需集中存储数据的协作模型训练来防止数据泄露。然而，它仍然容易受到梯度重构攻击的攻击，这些攻击可以从共享梯度中恢复原始训练数据。为了优化数据泄露与效用损失之间的权衡，我们首先推导了两种标准方法——添加噪声和梯度剪枝——在所有攻击者中的重构误差理论下界。然后，我们定制这两种防御方法使其具有参数和模型特异性，在我们获得的重构下界与模型效用之间实现最优权衡。实验结果验证了我们的方法在保护训练数据的同时也实现了更好的效用，从而优于梯度噪声和梯度剪枝方法。