迈向隐私保护的分割学习：破坏云环境中的对抗推断与重构攻击
密码学与安全
2025-03-03 v1
摘要
本工作旨在考虑前向属性推断和后向重构攻击的情况下，在分割学习框架内同时提供隐私性和效用。为了解决这个问题，提出了一种新颖的方法，该方法利用类激活映射和自编码器作为插件策略，旨在提高用户隐私并破坏对手。将所提出的方法与基于降维的插件策略进行了比较，后者利用主成分分析将特征映射转换到低维特征空间。我们的工作表明，我们提出的基于自编码器的方法更受青睐，因为在我们的设定中，它能够在测试架构的较早分割位置提供保护，因此，在边缘云协同推断（EC）系统中，能为资源受限的设备提供更好的效用。
引用
@article{arxiv.2502.20629,
title = {Towards Privacy-Preserving Split Learning: Destabilizing Adversarial Inference and Reconstruction Attacks in the Cloud},
author = {Griffin Higgins and Roozbeh Razavi-Far and Xichen Zhang and Amir David and Ali Ghorbani and Tongyu Ge},
journal= {arXiv preprint arXiv:2502.20629},
year = {2025}
}
备注
15 pages, 6 figures