新研究证明联邦学习梯度反转攻击可窃取数据
热点事件持续更新
新研究证明联邦学习梯度反转攻击可窃取数据
1 篇报道1 个报道来源13 小时前更新
先了解这件事
AI 综述
Omkar Shrikanth等人近期在arXiv上发表研究,针对联邦学习FedAvg机制的文本隐私保护漏洞提出新型攻击方法。此前研究表明,由于FedAvg聚合混淆了各客户端梯度,恶意方无法精确恢复单一客户端的文本数据。该研究提出迭代式梯度反转管线,通过逐轮减去已恢复句子的梯度贡献,逐步暴露并恢复剩余数据。实验结果证实,该攻击首次实现100%精度的句子级窃取,在包含多达隐藏维度4倍Token量的聚合更新中,可精确恢复最高80.2%的客户端句子,而现有攻击在此场景下无法精确恢复任何句子。
AI 根据报道生成 · 12 小时前更新
最新进展11月19日 13:00
联邦学习中窃取其他客户端精确训练数据的新型梯度反转攻击报道时间线
沿着报道,了解事件的不同侧面。
11月19日
- arXiv · ML联邦学习中窃取其他客户端精确训练数据的新型梯度反转攻击
恶意攻击者可通过迭代式梯度反转攻击,在联邦学习中精确恢复其他客户端的文本数据,实现首次100%精度的句子级窃取。 在包含多达模型隐藏维度4倍Token量的聚合更新中,该攻击可精确恢复多达80.2%的客户端句子,而现有方法无法精确恢复任何句子。 该攻击证明了联邦学习中FedAvg聚合机制在文本隐私保护方面的脆弱性,为分布式机器学习安全带来新威胁。
本事件热度走势
- 可比范围当前
- 7
- 可比范围峰值
- 1011月19日 14:00
- 近 24 小时变化
- –
02.557.510
14:0016:0018:0020:0022:0011月20日
趋势仅比较持续完整观测到的相同主体,范围可能小于当前热度统计。移动指针或点击图表查看每小时热度;键盘可用左右方向键切换。