返回
ProVFL: Property Inference Attacks Against Vertical Federated Learning
DOI:10.1109/TIFS.2025.3581743.png)
摘要
En 中文
近期研究表明,隐私泄露可能发生在垂直联邦学习(VFL)中,其中各方持有相同样本的分割特征。尽管包括标签和特征推断在内的各种攻击专注于VFL中的记录级隐私风险,但很少有研究深入探讨分布级隐私威胁。本文探讨了VFL中的属性推断攻击(PIAs),其中恶意方试图推断受害者训练集中目标属性的全局分布信息。我们的关键观察是,VFL中间结果的Lp范数分布可能反映训练集中目标属性的比例。受此启发,我们提出了ProVFL,一个包含分布比较和相关性增强模块的新型PIA框架。为了实现属性推断,我们通过创建具有不同比例的中间结果群体来设计分布比较模块,旨在学习Lp范数分布与其比例之间的关系。然后,我们理论分析了影响攻击有效性的因素,并基于标签替换和模型精炼开发了相关性增强模块,以放大属性信息泄露。广泛的实验结果表明,我们的攻击可以实现低至1%的估计误差的推断。这构成了VFL设置中从私有训练数据泄露属性信息的即时威胁。
Keyword:
Property inference attacks
vertical federated learning
privacy attacks
defense mechanisms
期刊
IF:
8
论文数:
5.3K
被引数:
2.3W
机构
引用论文
LDP-Purifier: Defending against Poisoning Attacks in Local Differential PrivacyLDP-Purifier:防御本地差分隐私中的污染攻击
Dual coordinate descent methods for logistic regression and maximum entropy modelslogistic回归和最大熵模型的双坐标下降方法
MACHINE LEARNING
IF2.9

