TIP：通过目标可解释扰动抵抗联邦学习中的梯度反演
机器学习
2026-02-13 v1
摘要
联邦学习在保持数据本地性的同时促进协作模型训练；然而，梯度的交换使得系统容易受到梯度反演攻击，使对手能够以高保真度重建私有训练数据。现有的防御措施，如差分隐私，通常在所有参数上采用无差别的噪声注入，这会严重降低模型效用和收敛稳定性。为了解决这些局限性，我们提出了目标可解释扰动（TIP），一种将模型可解释性与频域分析相结合的新型防御框架。与统一处理参数的传统方法不同，TIP引入了一种双目标策略。首先，利用梯度加权类激活映射来量化通道敏感性，我们动态识别编码主要语义特征的关键卷积通道。其次，我们通过离散傅里叶变换将这些选定的核变换到频域，并选择性地将校准后的扰动注入高频频谱。通过选择性地扰动高频分量，TIP有效地破坏了图像重建所需的精细细节，同时保留了模型精度至关重要的低频信息。在基准数据集上的大量实验表明，TIP使得针对最先进的梯度反演攻击重建的图像在视觉上无法识别，同时保持了与非私有基线相当的全局模型精度，在隐私-效用权衡和可解释性方面显著优于现有的基于差分隐私的防御方法。代码可在 https://github.com/2766733506/asldkfjssdf_arxiv 获取。
引用
@article{arxiv.2602.11633,
title = {TIP: Resisting Gradient Inversion via Targeted Interpretable Perturbation in Federated Learning},
author = {Jianhua Wang and Yinlin Su},
journal= {arXiv preprint arXiv:2602.11633},
year = {2026}
}