May, 2024
联邦学习中从本地更新恢复标签
Recovering Labels from Local Updates in Federated Learning
Huancheng Chen, Haris Vikalo
TL;DR在联邦学习中，梯度反转（GI）攻击对客户的隐私构成威胁，通过重新构建客户数据，实现了攻击客户的数据。本文提出了一种新的标签恢复方案 RLU，能在攻击未训练的（最易受攻击）模型时达到接近完美的准确性，并在现实世界中的真实环境中取得高性能，特别是在客户在 FL 系统中运行多个本地轮次，在异构数据上进行训练，并使用不同优化器最小化不同目标函数的情况下。通过解决由训练轮次中使用的数据点的标签与输出层更新之间的相关性分析得出的最小二乘问题，RLU 估计标签。实验结果表明，提出的方法在多个数据集、架构和数据异质性场景下始终优于现有基线，并在 GI 攻击中通过 PSNR 和 LPIPS 两个指标改善了重建图像的质量。