从理论视角理解联邦学习中的数据重建泄露
密码学与安全
2024-08-23 v1 人工智能
摘要
联邦学习（FL）是一种旨在保护数据隐私的新兴协作学习范式。然而，近期研究表明FL算法易受到严重的数据重建攻击。然而，现有研究缺乏对设备数据可被重建程度的理论基础，以及这些攻击的有效性无法公正地进行比较 due to其不稳定的性能。为此，我们提出一个理论框架，以理解FL的数据重建攻击。我们的框架涉及对数据重建误差进行上界估计，攻击的误差界反映了其固有的攻击有效性。在该框架下，我们可以理论上比较现有攻击的有效性。例如，我们在多个数据集上的结果验证了iDLG攻击在本质上优于DLG攻击。
引用
@article{arxiv.2408.12119,
title = {Understanding Data Reconstruction Leakage in Federated Learning from a Theoretical Perspective},
author = {Zifan Wang and Binghui Zhang and Meng Pang and Yuan Hong and Binghui Wang},
journal= {arXiv preprint arXiv:2408.12119},
year = {2024}
}