多步梯度反演的路径积分代理模型

arXiv:2610.03597v1 公告类型：新 摘要：联邦学习使众多客户端能够共同训练一个共享模型，而无需将其私有数据发送到中央服务器。每个客户端只共享模型更新，而这一更新相比其原始训练样本应当泄露更少的客户端信息。这一前提正是保护客户端隐私的关键。梯度反演攻击直接对其提出挑战，试图仅凭客户端共享的一次更新，重建其私有输入图像。在 FedAvg 下，客户端的更新累积了多个本地训练步骤，因此服务器只能看到一条隐藏权重轨迹的两个端点。近期的梯度反演攻击会拟合连接这两个端点的路径上的代理模型，但仍然只在单个点读取其梯度。我们提出 Path-Integral Surrogate Model Extension（PI-SME），将累积更新视为梯度场的路径积分，并通过在一条可学习的 B\'ezier 路径上选取多个节点，使用 Gauss--Legendre 求积对其进行近似。在 CIFAR-100 和 FEMNIST 图像上，针对不同轨迹长度和类别受限批次，PI-SME 在多项反演指标和匹配损失方面，都比最强的代理基线更忠实地重建出私有输入。