arXiv cs.AI· Viktor Valadi, Lucas Beerens, Mattias {\AA}kesson, Johan \"Ostman, Fazeleh Hoseini, Salman Toor, Andreas Hellander·· 10 天前AI 评分28
联邦学习中的梯度反转攻击在实际部署中是否可行？arXiv 研究给出评估
Practical Feasibility of Gradient Inversion Attacks in Federated Learning
AI 导读
一项 arXiv 研究系统评估了图像联邦学习中梯度反转攻击的实际可行性，覆盖图像分类与目标检测任务及当代分辨率的经典视觉架构。结果显示，现代性能优化模型在视觉上始终能抵御有意义的图像重建，许多已报告的攻击成功依赖推理模式运行或架构简化等上界设定。在诚实但好奇的服务器假设下，高保真图像重建不构成生产级联邦学习系统的关键隐私风险。
正文 · AI 翻译
摘要：梯度反转攻击常被视为联邦学习中的严重隐私威胁，近期研究在有利的实验设置下报告了越来越强的重建效果。然而，此类攻击在现代、性能优化的实际部署系统中是否可行仍不明确。在本工作中，我们评估了基于图像的联邦学习中梯度反转的实际可行性。我们使用当代分辨率下的典型视觉架构，跨多个数据集和任务（包括图像分类和目标检测）进行了系统性研究。结果表明，尽管在某些高度受限假设下的遗留或过渡设计中梯度反转仍然可能，但现代、性能优化的模型在视觉上始终能抵御有意义的重建。我们进一步证明，许多已报告的成功依赖于上界设置，例如推理模式运行或架构简化，这些并不反映真实的训练流程。综合来看，我们的发现表明，在诚实但好奇的服务器假设下，通过梯度反转实现高保真图像重建在生产优化的联邦学习系统中并不构成关键隐私风险，实际风险评估必须仔细区分诊断性攻击设置与真实世界部署。
| 评论： | v3：修订稿；扩展实验；新增可行性探测； |
| 主题： | 密码学与安全（cs.CR）；人工智能（cs.AI）；机器学习（cs.LG） |
| 引用为： | arXiv:2508.19819 [cs.CR] |
| （或 arXiv:2508.19819v3 [cs.CR] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2508.19819 arXiv 颁发的 DOI 通过 DataCite |
提交历史
来自：Viktor Valadi [查看电子邮件]
[v1]
2025年8月27日星期三 12:07:23 UTC（1,043 KB）
[v2]
2026年2月9日星期一 14:36:04 UTC（2,035 KB）
[v3]
2026年10月6日星期二 13:02:26 UTC（2,234 KB）
来源：arXiv cs.AI · arxiv.org