UIFV：垂直联邦学习中的数据重建攻击
机器学习
2025-01-16 v2 人工智能
密码学与安全
机器学习
摘要
垂直联邦学习（VFL）通过不共享原始私有数据即可实现协作机器学习。然而，近期研究揭示了通过学习过程中数据泄露重建敏感特征的隐私风险。尽管基于梯度或模型信息的数据重建方法在一定程度上有效，但在VFL应用场景中存在局限。这主要是因为这些传统方法严重依赖特定的模型结构和/或对应用场景有严格限制。为此，我们将统一InverNet框架引入VFL，提出一种新颖且灵活的方法（称为UIFV），通过利用中间特征数据来重建原始数据，而不依赖于梯度或模型细节。中间特征数据是指在VFL的推理阶段中由不同参与者交换的特征。在四个数据集上的实验表明，我们的方法在攻击精度方面显著优于最新的技术。我们的工作暴露了VFL系统中严重的隐私漏洞，这些漏洞构成对实际VFL应用的真实威胁，从而确认了进一步加强VFL架构隐私保护的必要性。
引用
@article{arxiv.2406.12588,
title = {UIFV: Data Reconstruction Attack in Vertical Federated Learning},
author = {Jirui Yang and Peng Chen and Zhihui Lu and Qiang Duan and Yubing Bao},
journal= {arXiv preprint arXiv:2406.12588},
year = {2025}
}