Approximate and Weighted Data Reconstruction Attack in Federated Learning

작성자

Haebom

카테고리

Empty

저자

Yongcun Song, Ziqi Wang, Enrique Zuazua

💡 개요

본 논문은 연합 학습(Federated Learning, FL)에서 데이터 재구성 공격의 효율성을 높이는 새로운 방법론을 제안합니다. 특히, 클라이언트들이 여러 번의 로컬 학습 후 모델 파라미터를 공유하는 일반적인 FedAvg 시나리오에서 데이터 재구성을 가능하게 하는 보간 기반 근사 기법을 개발했습니다. 또한, 신경망 구조에 따라 레이어별 가중치를 부여하는 손실 함수를 설계하여 재구성 데이터의 품질을 향상시켰습니다.

🔑 시사점 및 한계

•

본 연구는 기존에 공격이 어려웠던 FedAvg 기반 연합 학습 환경에서도 효과적인 데이터 재구성 공격이 가능함을 보여주었습니다.

•

제안된 근사 및 가중치 부여 공격(AWA) 방법은 이미지 데이터 재구성 평가 지표에서 기존 최신 방법론 대비 상당한 성능 향상을 입증했습니다.

•

공격 방법론의 최적화 과정에서 베이지안 최적화를 사용했으나, 모든 유형의 신경망 아키텍처에 대한 일반화 가능성과 공격의 계산 복잡성에 대한 추가적인 연구가 필요할 수 있습니다.

PDF 보기

Made with Slashpage