arXiv · ML· Viktor Valadi, Lucas Beerens, Mattias {\AA}kesson, Johan \"Ostman, Fazeleh Hoseini, Salman Toor, Andreas Hellander·· 2026-10-07AI 评分26
Practical Feasibility of Gradient Inference Attacks in Federated Learning
Practical Feasibility of Gradient Inversion Attacks in Federated Learning
AI 导读
现代性能优化型联邦学习系统中,梯度反转攻击难以实现高保真图像重构。研究系统评估了图像分类与目标检测任务,发现当前主流视觉架构在真实训练场景下能有效抵抗重建。 该结论基于对传统设计假设的区分,指出许多先前报道的成功依赖推理模式或架构简化等上界设定,而非反映现实训练流程。 这提醒风险评估需严格区分诊断性攻击环境与生产级部署系统。
来源:arXiv · ML · arxiv.org