研究提出基于DCGAN的联邦学习模型反演攻击

Md Morshedul Islam 等研究者提出一种面向联邦学习系统的模型反演攻击，利用深度卷积生成对抗网络（DCGAN）在大规模医学影像场景下重建训练数据。在 Brain MRI ND-5 数据集上的实验显示，该攻击能生成语义上有意义的合成图像，表明训练数据面临明显隐私风险。 研究同时评估了防御手段：客户端差分隐私可降低攻击成功率，但会带来模型精度损失；研究者称，在每个客户端采用个性化联邦学习可进一步缓解这一取舍。研究还比较了不同聚合算法对攻击脆弱性和防御效果的影响，并称该攻防框架与模型无关。上述效果均为论文报告的结果。 攻击方法的前提是攻击者具备研究者设定的知识水平和能力，结论基于 Brain MRI ND-5 数据集，尚未在其他数据或实际部署中验证。

AI 根据报道生成 · 49 分钟前更新

还没有足够的连续观测数据，暂不绘制趋势。