消除梯度反转攻击中的硬标签约束

梯度反转攻击旨在从联邦学习框架中暴露的中间梯度重建局部训练数据。尽管已有成功的攻击，但所有先前的方法（从重建单个数据点开始，然后将单图像限制放宽到批次级别）仅在硬标签约束下进行了测试。即使对于单图像重建，我们仍然缺乏基于分析的算法来恢复增强的软标签。在这项工作中，我们将重点从扩大批次大小转向研究硬标签约束，考虑训练过程中使用标签平滑和混合技术的更现实情况。特别地，我们首次提出了一种新颖算法，可以从单输入梯度同时恢复真实增强标签和最后一个全连接层的输入特征，并为任何基于分析的标签恢复方法提供了必要条件。大量实验证明了标签恢复的准确性，以及对后续图像重建的益处。我们相信分类任务中的软标签在梯度反转攻击中值得进一步关注。