階層的特徴最適化による連合学習における勾配反転攻撃の強化

arXiv cs.CV / 2026/4/2

📰 ニュースSignals & Early TrendsIdeas & Deep AnalysisModels & Research

共有:

要点

本論文は連合学習におけるプライバシー上のリスクを扱い、クライアントから送信される勾配が、GANベースの事前知識を用いた勾配反転によって機微データを復元するために悪用できることを示している。
提案手法GIFD（Gradient Inversion over Feature Domains）は、GANの潜在空間のみを最適化する従来手法に比べ、階層的な中間特徴領域にわたって最適化することで改善する。
GIFDには、反転時の生成画像の不自然さを抑えるための正則化（$l_1$ボール制約）が含まれている。
さらに本手法は、ラベル不整合を含むラベルの不一致がある場合など、分布外（out-of-distribution）設定にも拡張されており、GANの学習データとFLタスクのラベルの不一致を扱うためにラベルマッピング手法を用いる。
実験では、ピクセルレベルでの復元を達成し、複数の連合学習シナリオにおいて既存のベースラインを上回ると報告されている。