通过解析梯度反演攻击揭示隐私漏洞

联邦学习作为一种突出的隐私保护技术出现，它通过共享梯度而不是原始数据来利用大规模分布式数据集。然而，最近的研究表明，私有训练数据仍然可以通过梯度反演攻击被暴露。虽然早期的解析方法在从全连接层重建输入数据方面取得了成功，但当应用于卷积层、高维输入以及涉及多个训练样本的场景时，其有效性显著降低。本文扩展了我们之前的工作 \cite{eltaras2024r}，并提出了三种先进算法以拓宽梯度反演攻击的适用范围。第一种算法提出了一种新颖的数据泄露方法，能够高效利用卷积层梯度，证明了即使使用非完全可逆的激活函数（如 ReLU），也可以直接从梯度中解析重建训练样本，而无需重建中间层输出。在此基础之上，第二种算法将这种解析方法扩展到支持高维输入数据，大幅增强了其在复杂真实世界数据集上的实用性。第三种算法引入了一种用于重建小批量的创新解析方法，填补了当前研究主要集中于仅重建单个训练样本的关键空白。与以前主要关注卷积层权重约束的研究不同，我们的方法强调了梯度约束的关键作用，揭示了在某些层中，使用不到 5\% 的先前认为必要的约束即可执行成功的攻击。