Daily Arxiv

世界中で発行される人工知能関連の論文をまとめるページです。
このページはGoogle Geminiを活用して要約し、非営利で運営しています。
論文の著作権は著者および関連機関にあり、共有する際は出典を明記してください。

Cutting Through Privacy: A Hyperplane-Based Data Reconstruction Attack in Federated Learning

Created by
  • Haebom

作者

Francesco Diana, Andr e Nusser, Chuan Xu, Giovanni Neglia

概要

本論文は、連合学習（Federated Learning、FL）において、悪意のある中央サーバーがクライアントの個人データを再構成する可能性がある脆弱性を解決するための新しいデータ再構成攻撃方法を提供します。既存の方法のLimitationsであるクライアントデータ分布に対する仮定依存性と小さなバッチサイズでの効率の低下の問題を克服し、完全接続層の新しい幾何学的観点を活用して、クライアントデータに関する事前の知識なしに任意のサイズのデータ​​バッチを完全に回復できる悪性モデルパラメータを生成します。画像と表のデータセットの実験は、従来の方法よりも優れたパフォーマンスを示し、従来の最高のパフォーマンスよりも2桁大きいデータ配置の完全な再構成を達成することを示しています。

Takeaways、Limitations

•
Takeaways：
◦
連合学習のデータプライバシーを確​​保するための既存の信念に対する深刻な課題を提起する。
◦
既存のデータ再構成攻撃の限界を克服する新しい攻撃技術を提示します。
◦
大規模なデータ配置のための効果的なデータ再構成を可能にします。
◦
連合学習システムのセキュリティ強化に重要なTakeawaysを提供します。
•
Limitations：
◦
提示された攻撃技術は特定のタイプのニューラルネットワーク構造（完全接続層）に焦点を当てており、他の構造のニューラルネットワークには適用されない可能性があります。
◦
実際の連合学習環境の複雑さを完全に反映できない場合があります。
◦
攻撃が成功したかどうかは、データセットの特性によって異なります。
👍
Made with Slashpage