.png){kind=icon}
返回
Stealing Data from Active Party in Vertical Split Learning
.png){kind=icon}
PRE
AI
DOI：10.1007/978-3-032-06096-9_18.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
垂直分割学习（VSL）促进了具有垂直划分数据用户间的协作学习，但也引入了私有数据泄露的风险。现有的重建攻击主要依赖于中间特征的访问，这使得它们对于缺乏此类访问的半诚实被动攻击者无效。在本文中，我们提出了PASTA，一种新颖的攻击框架，使被动方能够在无直接特征访问的情况下从主动方窃取私有数据。我们的方法包括三个步骤。首先，我们利用自动编码器通过分析样本特征之间的相关性来建立初始重建。其次，我们构建一个影子VSL模型来模拟服务器端的梯度行为。最后，我们使用基于U-Net的网络结合基于梯度的指导来优化重建。我们在CIFAR-10和CelebA上的重建结果分别达到了SSIM分数0.5132和0.5877，以及LPIPS分数0.3395和0.2771。消融研究显示，即使没有来自同一分布的辅助数据，攻击仍能揭示大部分图像细节。我们还在真实世界数据集Tiny-ImageNet和LFW上进一步验证了攻击的有效性。我们还对ResNet18、VGG16、ViT-B16和MobileNet进行了实验，以表明我们的攻击是模型无关的。
Keyword:
Vertical Split Learning
Data Privacy
Data Reconstruction Attack
期刊
机构
引用论文
Core network traffic prediction based on vertical federated learning and split learning.png)
SCIENTIFIC REPORTS
OAAI
SCIENTIFIC REPORTSIF3.9
OAAI分享收藏Vertical Split Learning-Based Identification and Explainable Deep Learning-Based Localization of Failures in Multi-Domain NFV Systems基于垂直分割学习的方法对多域NFV系统中故障的识别与基于可解释深度学习的方法对故障的定位
OAAI
OAAI分享收藏Vertical Split Learning - an exploration of predictive performance in medical and other use cases垂直拆分学习：医疗及其他用例中预测性能的探索OAAI
OAAI分享收藏
查看更多内容