PulseAugur
中
实时 08:46:03
English(EN) Trajectory-Aware Information Matching for Multi-Step Gradient Inversion in Federated Learning

新型NL-SME方法增强了联邦学习中的梯度反演攻击

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一种新颖的NL-SME方法，旨在对抗联邦学习中的多步梯度反演攻击。该方法构建了一个可学习的非线性代理轨迹来近似隐藏的局部状态，将轨迹级别的信息与校准的梯度匹配相结合。NL-SME还包含一个更新可靠性感知策略，以减轻扰动更新中不可靠组件的影响。实验表明，NL-SME在重建质量和准确性方面显著优于现有方法，突显了即使在联邦学习的多步更新中也存在潜在的隐私泄露风险。 AI

影响 这项研究突显了联邦学习中潜在的隐私漏洞，促使对强大的防御机制进行进一步研究。

排序理由 该集群包含一篇学术论文，详细介绍了联邦学习中梯度反演攻击的新方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

新型NL-SME方法增强了联邦学习中的梯度反演攻击

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Li Xia, Jing Yu, Zheng Liu, Sili Huang, Wei Tang, Xuan Liu ·

    Trajectory-Aware Information Matching for Multi-Step Gradient Inversion in Federated Learning

    arXiv:2509.22082v3 Announce Type: replace Abstract: Federated learning enables distributed information sharing and collaborative model training without exposing raw client data. However, shared gradients or model updates may still contain sensitive information, making federated l…

相关实体

相关话题