FedGB：一种基于生成器的联邦学习方法，用于抵御重构攻击

《IEEE Open Journal of the Computer Society》：FedGB: A Generator-Based Federated Learning Against Reconstruction Attacks

　　

摘要：

联合学习（FL）是一种去中心化的机器学习范式，其中多个客户端在本地训练模型而不共享私有数据。尽管FL旨在保护隐私，但最近的研究表明，共享的模型更新仍然容易受到强大的推理攻击，攻击者会拦截梯度或参数以恢复敏感信息。一个典型的例子是重构攻击。在本文中，我们提出了FedGB，这是一个基于生成器的FL框架，它利用条件生成对抗网络（CGANs）来减少敏感特征的暴露。与传统的FL和之前的基于GAN的方法不同，FedGB仅将生成器共享给服务器，从而避免了通过分类器或特征提取器导致的信息泄露。FedGB通过最小化与服务器交换的信息来提高隐私性，同时保持竞争性的准确性。在FMNIST、CIFAR-10和Digit5上的广泛实验表明，FedGB实现了具有竞争力的准确性和隐私性之间的权衡。特别是，FedGB将CIFAR-10上的图像重构质量（以PSNR衡量）从19.79降低到9.31，将Digit5上的图像重构质量从20.17降低到6.67。