纵向联邦学习中抵御不可知推断攻击的隐私保护
密码学与安全
2026-04-14 v4 信息论
机器学习
math.IT
摘要
提出了纵向联邦学习(VFL)中一种新颖的推断攻击形式，其中两方协作训练机器学习(ML)模型。VFL 模型考虑逻辑回归。一方称为主动方，在训练阶段拥有样本的真实标签；另一方称为被动方，仅共享对应于这些样本的另一组特征。研究表明，主动方可通过独立训练其可用训练样本上的 ML 模型，对训练阶段与预测阶段的样本实施推断攻击。此类推断攻击不要求主动方知晓特定样本的分数，故称为不可知推断攻击。研究表明，在攻击发生前的预测阶段利用观测到的置信度分数，可提升主动方自主 ML 模型的性能，从而改善不可知推断攻击的质量。作为对策，提出了隐私保护方案(PPSs)。所提方案在保持 VFL 模型效用的同时，系统性地扭曲对应于被动方特征的 VFL 参数。施加于被动方参数的扭曲程度可调，从而在被动方隐私与主动方对 VFL 结果的可解释性之间产生权衡。被动方参数的扭曲水平可根据被动方与主动方各自的隐私与可解释性关切仔细选择，以期使双方（部分）满意。最后，实验结果证明了所提攻击与 PPSs 的有效性。
引用
@article{arxiv.2302.05545,
title = {Privacy Against Agnostic Inference Attacks in Vertical Federated Learning},
author = {Morteza Varasteh},
journal= {arXiv preprint arXiv:2302.05545},
year = {2026}
}
备注
Accepted in ACM TOPS