TS-Inverse：为联邦时间序列预测模型量身定制的梯度逆转攻击
机器学习
2025-03-28 v1 人工智能
摘要
联邦学习（FL）用于时间序列预测（TSF）使拥有隐私敏感时间序列（TS）数据的客户端能够协作开发准确的预测模型，例如在能源负荷预测中。然而，FL 中的隐私风险仍然存在，服务器可以通过梯度逆转攻击（GIA）重建客户端的训练数据。尽管已针对图像分类任务证明了 GIA，但关于时间序列回归任务的研究仍很有限。本文首先对 4 种 TSF 模型和 4 个数据集进行广泛的实证研究，确定重建 TS 数据的独特挑战，即同时重建观测值和目标值。我们随后提出 TS-Inverse，一种新颖的 GIA，通过（i）学习一个输出分位数预测的梯度逆转模型，（ii）唯一的损失函数 incorporates 周期性和趋势正则化，以及（iii）根据分位数预测进行正则化。我们的评估表明，TS-Inverse 在 TS 数据上的性能显著优于现有 GIA 方法，依据 sMAPE 指标至少提高 2 倍到 10 倍。代码仓库：https://github.com/Capsar/ts-inverse
引用
@article{arxiv.2503.20952,
title = {TS-Inverse: A Gradient Inversion Attack Tailored for Federated Time Series Forecasting Models},
author = {Caspar Meijer and Jiyue Huang and Shreshtha Sharma and Elena Lazovik and Lydia Y. Chen},
journal= {arXiv preprint arXiv:2503.20952},
year = {2025}
}