A gradient inversion attack defense method based on data augmentation

Yingge Li

doi:10.1007/s10489-025-06533-y

A gradient inversion attack defense method based on data augmentation

2025-09-09

0

PRE

AI

DOI：10.1007/s10489-025-06533-y

原文链接

原文求助

摘要

En 中文

梯度反演攻击对联邦学习中的数据隐私构成重大威胁，使恶意攻击者能够通过梯度重建私有训练数据。在各种保护策略中，基于数据增强的方法展现出特别的潜力。这些方法可以无缝整合到现有的联邦学习框架中，兼顾效率且对模型精度影响最小。本文提出了一种新颖的数据保护技术，利用数据增强方法，特别是CutMix和SaliencyMix。这些技术通过混合图像，提高了训练像素的利用效率。这进而帮助模型学习更鲁棒且有意义特征表示，从而提升模型性能及其对对抗攻击的鲁棒性。为进一步增强数据隐私，我们将这些数据增强方法与数据剪枝技术相结合。我们的实验结果表明，所提出的方法不仅提高了联邦学习模型的精度，还降低了重建图像的质量，提供了更高水平的数据隐私保护。

Keyword:

Federated learning

Data privacy

Data augmentation

Gradient inversion attack

A gradient inversion attack defense method based on data augmentation

摘要

期刊

机构

引用论文