基于自动变换搜索的隐私保护协同学习

协同学习因其对数据隐私的保护优势而广受欢迎：参与者可以在不共享训练集的情况下联合训练深度学习模型。然而，近期研究发现，攻击者能够从共享的梯度中完全恢复敏感的训练样本。此类重构攻击对协同学习构成严重威胁。因此，亟需有效的缓解方案。本文提出利用数据增强来抵御重构攻击：通过用精心选择的变换策略对敏感图像进行预处理，使得攻击者无法从相应梯度中提取任何有用信息。我们设计了一种新颖的搜索方法，可自动发现合格的策略。我们采用两个新指标来量化变换对数据隐私和模型可用性的影响，从而显著加快搜索速度。综合评估表明，我们的方法发现的策略能够以高效率击败协同学习中的现有重构攻击，且对模型性能的影响可忽略不计。