arXiv cs.AI· Md Morshedul Islam, Hossain Shahriar, Alfredo Cuzzocrea·· 11 小时前AI 评分31
面向医学影像的隐私保护个性化联邦学习（PPP-FL）
Privacy-Preserving Personalized Federated Learning (PPP-FL) for Medical Imaging
AI 导读
研究提出基于 DCGAN 的模型反演攻击，可在联邦学习场景下从大规模医学影像中重建出语义有意义的合成图像，并在 Brain MRI ND-5 数据集上验证了训练数据隐私风险。客户端差分隐私（DP）能降低攻击成功率但带来精度损失，个性化联邦学习可进一步弥补该精度权衡；不同聚合算法对攻击脆弱性与防御效果均有显著影响。该攻防框架与模型无关，适用于各类联邦学习系统。
正文 · AI 翻译
摘要：联邦学习（FL）是一种分布式机器学习范式，它通过将原始数据保留在本地设备上来降低传输成本、缓解跨境数据共享限制并增强隐私保护。FL 系统中的客户端训练本地模型并仅共享更新，这些更新由中央服务器聚合。尽管这种设置限制了数据的直接暴露，FL 仍然容易受到隐私攻击。现有的攻击与防御策略主要针对集中式系统开发，而由于 FL 独特的架构和训练流程，将其适配到 FL 会带来新的挑战。在本工作中，我们首先在大规模医学影像背景下，提出了一种利用深度卷积生成对抗网络（DCGAN）对 FL 系统实施的模型反演攻击。我们的方法在关于攻击者知识和能力的现实假设下运行。随后，我们考察了客户端差分隐私（DP）在缓解隐私泄露方面的效果，并引入个性化 FL 以改善 DP 设置下的模型性能。在 Brain MRI ND-5 数据集上的实验表明，基于 DCGAN 的攻击能够重建具有语义意义的合成图像，揭示出训练数据隐私面临的重大风险。应用 DP 可降低攻击成功率，但会带来准确率上的权衡，而客户端侧的个性化 FL 进一步克服了这一权衡。我们还评估了不同聚合算法如何影响攻击脆弱性和防御有效性，凸显了聚合策略的关键作用。所提出的攻防框架与模型无关，适用于广泛的基于 FL 的系统。
| 主题： | 密码学与安全（cs.CR）；人工智能（cs.AI） |
| 引用为： | arXiv:2610.27470 [cs.CR] |
| （或 arXiv:2610.27470v1 [cs.CR] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.27470 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Md Morshedul Islam [查看电子邮件]
[v1]
2026年10月20日星期二 01:41:12 UTC（2,930 KB）
来源：arXiv cs.AI · arxiv.org