參考論文：See through Gradients: Image Batch Recovery via GradInversion（CVPR 2021 ）
源代碼：
核心思想：解決了Deep Leakage from Gradients（NeurIPS 2019）中batch大于1效果無效的情況。
缺點：

1 問題定義

訓練深度神經網絡需要從數據批次中進行梯度估計以更新參數。每個參數的梯度在一組數據上取平均值，這被認為對于聯合、協作和聯合學習應用程序中的隱私保護訓練是安全的。之前的工作只顯示了在非常嚴格的條件下給定梯度恢復輸入數據的可能性——單個輸入點，或者沒有非線性的網絡，或者一個小的 32 ^ 32 px 輸入批次。因此，較大批次的平均梯度被認為是安全的。在這項工作中，我們引入了 GradInversion，使用它可以為大型網絡（例如 ResNets（50 層）、復雜的數據集（例如 ImageNet）（1000 個類別，224 ^ 224像素）。我們制定了一個優化任務，將隨機噪聲轉換為自然圖像，匹配梯度，同時正則化圖像保真度。我們還提出了一種給定梯度的目標類標簽恢復算法。我們進一步提出了一個組一致性正則化框架，其中從不同的隨機種子開始的多個代理協同工作以找到原始數據批次的增強重建。我們表明梯度編碼了驚人的大量信息，因此即使對于復雜的數據集、深度網絡和大批量，也可以通過 GradInversion 以高保真度恢復所有單個圖像。

2 攻擊方法

總結

以上是生活随笔為你收集整理的联邦学习--数据攻击(2)的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。