PulseAugur
中
实时 15:36:35
English(EN) FedCVESA: Taking Away Training Data in Federated Learning via Correlation Value Encoding and Segmented Aggregation

新的FedCVESA攻击窃取联邦学习模型中的私有数据

作者 PulseAugur 编辑部 · [3 个来源] ·

研究人员开发了FedCVESA，一种在联邦学习环境中进行“窃取训练数据”（TATD）攻击的新颖方法。这种白盒攻击针对特定客户端，将私有训练数据编码到模型参数（称为载体参数）中。为了对抗联邦学习中标准服务器聚合过程中发生的覆盖问题，FedCVESA采用了分段聚合，保留了这些关键的载体参数，同时允许其余参数进行正常平均。在MNIST和CIFAR-10等数据集上的实验表明，即使在非独立同分布（non-IID）数据分布下，FedCVESA也能成功提取有意义的私有训练图像，同时保持主要任务的可接受效用。 AI

影响 凸显了联邦学习中重大的隐私风险，可能影响分布式AI系统的采用和安全性。

排序理由 该集群包含两篇相同的arXiv论文，详细介绍了联邦学习中数据隐私攻击的新方法。

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 3 个来源。 我们如何撰写摘要 →

新的FedCVESA攻击窃取联邦学习模型中的私有数据

报道来源 [3]

  1. arXiv cs.AI TIER_1 English(EN) · Chongkai Li, Bang Zhang, Wenjian Luo ·

    FedCVESA：通过相关值编码和分段聚合在联邦学习中移除训练数据

    arXiv:2607.07314v1 Announce Type: cross Abstract: Federated learning (FL) avoids explicit data exposure by keeping raw data on local clients, yet privacy risks remain in the training process and the learned model itself. Recently, centralized Taking Away Training Data (TATD) atta…

  2. arXiv cs.AI TIER_1 English(EN) · Wenjian Luo ·

    FedCVESA：通过相关值编码和分段聚合在联邦学习中移除训练数据

    Federated learning (FL) avoids explicit data exposure by keeping raw data on local clients, yet privacy risks remain in the training process and the learned model itself. Recently, centralized Taking Away Training Data (TATD) attacks have shown that malicious training could abuse…

  3. Hugging Face Daily Papers TIER_1 English(EN) ·

    FedCVESA：通过相关值编码和分段聚合在联邦学习中移除训练数据

    Federated learning (FL) avoids explicit data exposure by keeping raw data on local clients, yet privacy risks remain in the training process and the learned model itself. Recently, centralized Taking Away Training Data (TATD) attacks have shown that malicious training could abuse…

相关实体

相关话题