联邦学习中梯度反演攻击的实际可行性
Practical Feasibility of Gradient Inversion Attacks in Federated Learning
精选理由
系统评估梯度反演攻击在真实联邦学习部署中的可行性，帮助读者准确判断图像隐私风险。
AI 摘要
arXiv:2508.19819v3 公告类型：replace-cross 摘要：梯度反演攻击通常被视为联邦学习中的严重隐私威胁，近期研究报告称，在有利的实验设置下，其重建能力不断增强。然而，此类攻击在实际部署的现代性能优化系统中是否可行，仍不明确。在本研究中，我们评估了面向图像的联邦学习中梯度反演的实际可行性。我们采用经典视觉架构和当前常用的图像分辨率，在多个数据集和任务上开展了系统研究，涵盖图像分类和目标检测。结果表明，尽管在极为苛刻的假设下，某些旧式或过渡性设计仍可能遭受梯度反演攻击，但经过性能优化的现代模型始终能够抵御在视觉上具有实质意义的重建。我们进一步证明，许多已报告的成功案例依赖于用于评估攻击效果上限的设置，例如以推理模式运行或简化架构，而这些设置并不能反映真实的训练流程。综合来看，我们的研究结果表明，在诚实但好奇的服务器假设下，通过梯度反演实现高保真图像重建，并不构成面向生产环境优化的联邦学习系统中的重大隐私风险；实际风险评估必须审慎区分诊断性攻击设置与真实部署环境。