.png){kind=icon}
返回
Beyond Gradient Inversion: Hidden Subset Sum Problem-Based Input Reconstruction for Federated Learning
.png){kind=icon}
PRE
AI
DOI：10.1109/tpami.2026.3735649.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本文介绍了隐含子集和问题（HSSP），这是一个源于计算复杂度和密码学应用的严格数学框架，用于分析联邦学习（FL）中的隐私漏洞。通过将HSSP应用于FL，本研究通过克服对标签多样性的依赖和大型批次下性能不佳等关键挑战，解决了梯度逆推攻击（GIA）的局限性，这些挑战阻碍了现有经验GIA方法。此外，我们的分析揭示了经验GIA随着批次规模增大而性能退化的根本原因。我们进一步证明，采用安全数据聚合技术（如安全多方计算）可以显著增加攻击的时间复杂度。据我们所知，这是首次研究建立HSSP与FL之间的联系，为开发防御策略提供了坚实的分析基础，并指导未来的研究方向。
Keyword:
Federated learning
Privacy
Security
Gradient inversion attacks
Input reconstruction
Hidden subset sum problem
computational number theory
Lattice reduction
查看更多机构