arXiv cs.AI· Yongcun Song, Ziqi Wang, Enrique Zuazua·· 1 天前AI 评分31
联邦学习中的近似加权数据重建攻击（AWA）
Approximate and Weighted Data Reconstruction Attack in Federated Learning
AI 导读
针对现有数据重建攻击难以攻破横向 FedAvg 场景的问题，研究者提出近似加权攻击方法 AWA：用基于插值的近似方法生成客户端本地训练的中间模型更新，使 FedAvg 场景可被攻击，并设计逐层加权损失函数、由贝叶斯优化调参以提升重建质量。实验显示 AWA 在图像数据重建的多项评估指标上显著优于现有 SOTA 方法，代码已开源。
正文 · AI 翻译
摘要：联邦学习（FL）是一种分布式学习范式，允许多个客户端在不共享私有数据的情况下协作构建机器学习模型。尽管联邦学习在设计上被视为隐私保护，但最近的数据重建攻击表明，攻击者可以根据联邦学习中共享的参数恢复客户端的训练数据。然而，大多数现有方法无法攻击最广泛使用的横向联邦平均（FedAvg）场景，即客户端在多次本地训练步骤后共享模型参数。为解决这一问题，我们提出了一种基于插值的近似方法，通过生成客户端本地训练过程的中间模型更新，使攻击 FedAvg 场景成为可能。然后，我们设计了一种逐层加权损失函数以提高重建的数据质量。我们根据神经网络结构为不同层的模型更新分配不同的权重，并通过贝叶斯优化调整权重。最后，实验结果验证了我们提出的近似加权攻击（AWA）方法优于其他最先进方法，这体现在图像数据重建的不同评估指标上的显著提升。源代码可在 此 https URL 获取。
| 评论： | 由欧盟资助（HORIZON-MSCA-2021-DN-01-01 项目 ModConFlex，资助编号 101073558）。代码可在 此 https URL 获取。代码 DOI：此 https URL |
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI）；密码学与安全（cs.CR）；优化与控制（math.OC） |
| 引用为： | arXiv:2308.06822 [cs.LG] |
| （或 arXiv:2308.06822v4 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2308.06822 arXiv 颁发的 DOI（通过 DataCite） |
|
| 期刊 参考： | IEEE Transactions on Big Data，第 12 卷，第 5 期，第 1606-1617 页，2026 年 |
| 相关 DOI： | https://doi.org/10.1109/TBDATA.2026.3695416
链接到相关资源的 DOI |
提交历史
来自：Ziqi Wang [查看电子邮件]
[v1]
2023 年 8 月 13 日星期日 17:40:56 UTC（1,859 KB）
[v2]
2024 年 3 月 26 日星期二 19:39:23 UTC（1,384 KB）
[v3]
2026 年 5 月 15 日星期五 12:55:02 UTC（6,844 KB）
[v4]
2026 年 11 月 12 日星期四 16:04:54 UTC（6,842 KB）
来源：arXiv cs.AI · arxiv.org