跳到正文
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

报道时间线

沿着报道,了解事件的不同侧面。

11月19日
  1. 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
–

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。