본 논문은 유출된 경사(gradients)로부터 학습 데이터를 재구성하는 새로운 생성적 접근 방식인 Gradient Inversion Transcript (GIT)를 제안합니다. GIT는 이론적 분석에 기반하여 유출된 모델의 구조에 맞춰 설계된 생성적 공격 모델을 사용합니다. 오프라인으로 학습된 GIT는 유출된 경사만을 이용하여 효율적으로 입력 데이터를 재구성할 수 있으므로 다양한 분산 학습 환경에 적용 가능합니다. 다른 반복적 최적화 기반 방법의 사전 정보로 사용될 때, GIT는 수렴 속도를 높일 뿐만 아니라 전반적인 재구성 품질을 향상시킵니다. GIT는 여러 데이터 세트에서 기존 방법보다 우수한 성능을 보이며, 부정확한 경사, 데이터 분포 변화, 모델 매개변수의 불일치를 포함한 어려운 조건에서도 강력한 견고성을 보여줍니다.
