.png){kind=icon}
返回
SLeak: Multi-Target Privacy Stealing Attack Against Split Learning
.png){kind=icon}
PRE
AI
DOI：10.1109/TPAMI.2026.3654092.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
分裂学习（SL）是一种分布式学习框架，因其隐私保护特性和低计算需求而受到关注。然而，近期研究表明，服务器端攻击者可能实施推理攻击，从而侵犯受害者客户端的隐私。然而，在重新评估先前研究后，我们发现现有方法依赖过于强化的假设来提升性能，导致在更真实场景下效果显著下降。本文为分裂学习（SL）的固有漏洞提供了新的见解。具体而言，我们发现破碎数据（smashed data）和服务器模型均包含客户端的representation preference，服务器攻击者可利用此信息构建一个替代客户端，以近似目标客户端的独特特征提取行为。通过训练良好的替代客户端，服务器可完全窃取目标客户端的功能、训练数据及标签。基于这一观察，我们提出了分裂泄露（SLeak），一种针对分裂学习（SL）的新威胁，旨在实现多重隐私窃取目标。值得注意的是，SLeak不依赖强隐私先验，仅需要部分同域辅助公开数据即可实施攻击。在多种数据集和目标模型上的实验结果表明，SLeak在多个指标上超越了当前最优方法。此外，消融研究进一步证实了其在各种场景和假设下的鲁棒性与适用性。
Keyword:
Split learning
privacy leakage
privacy stealing attack
deep learning
and computer vision
期刊
IF:
18.6
论文数:
864
被引数:
9.8W
机构
引用论文
Gradient-based learning applied to document recognition基于梯度的学习在文档识别中的应用.png)
PROCEEDINGS OF THE IEEE
PROCEEDINGS OF THE IEEEIF25.9
PREAI
分享收藏
查看更多内容