.png){kind=icon}
返回
Model Inversion Attack Against Federated Unlearning
.png){kind=icon}
PRE
AI
DOI：10.1109/TIFS.2026.3666295.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
针对“被遗忘权”新兴法规的响应，联邦遗忘（FU）已被提出以确保隐私合规，通过高效消除特定数据对联邦学习（FL）模型的影响。然而，现有的FU研究主要关注提升遗忘效率，而对FU自身引入的潜在隐私风险关注甚少。为填补这一研究空白，我们提出了一种新型的联邦遗忘反演攻击（FUIA），以揭示FU中的潜在隐私泄露。本研究首次系统性地探讨了FU内在的隐私漏洞。FUIA可应用于三种主要的FU场景：样本遗忘、客户端遗忘和类别遗忘，展示了其广泛适用性和威胁潜力。具体而言，服务器作为诚实但好奇的攻击者，在整个遗忘过程中持续记录模型参数变化，并分析遗忘前后的差异以推断被遗忘数据的梯度信息，从而实现其特征或标签的重构。FUIA直接破坏了FU消除特定数据影响的目标，利用FU过程中的漏洞重构被遗忘数据，从而揭示隐私保护的缺陷。此外，我们探讨了两种在隐私保护和模型性能之间引入权衡的潜在防御策略。在多个基准数据集和不同FU方法上的广泛实验表明，FUIA能够有效揭示被遗忘数据的私有信息。
Keyword:
Gradient inversion attack
federated unlearning
machine unlearning
federated learning
期刊
IF:
8
论文数:
5.3K
被引数:
2.3W
机构
引用论文
Li, N., Zhou, C., Gao, Y., Chen, H., Zhang, Z., Kuang, B., Fu, A.: Machine unlearning: Taxonomy, metrics, applications, challenges, and prospects. IEEE Transactions on Neural Networks and Learning Systems (2025)Li, N., Zhou, C., Gao, Y., Chen, H., Zhang, Z., Kuang, B., Fu, A.: 机器遗忘：分类、度量、应用、挑战与展望。IEEE 神经网络与学习系统汇刊（2025）.png)
IF0
PREAI
分享收藏FedMUA: Exploring the Vulnerabilities of Federated Learning to Malicious Unlearning AttacksFedMUA: 探索联邦学习对恶意Unlearning攻击的漏洞
PREAI
分享收藏A Survey on Federated Unlearning: Challenges, Methods, and Future Directions关于联邦非学习的调查: 挑战、方法和未来方向
OAAI
OAAI分享收藏分享收藏Learn What You Want to Unlearn: Unlearning Inversion Attacks against Machine Unlearning学习你想要“忘记”的内容：对抗机器“遗忘”的反向攻击
PREAI
分享收藏
查看更多内容