Fugu-MT 論文翻訳(概要): Just a Simple Transformation is Enough for Data Protection in Vertical Federated Learning

論文の概要: Just a Simple Transformation is Enough for Data Protection in Vertical Federated Learning

arxiv url: http://arxiv.org/abs/2412.11689v1
Date: Mon, 16 Dec 2024 12:02:12 GMT
ステータス: 翻訳完了
システム内更新日: 2024-12-17 13:58:14.316347
Title: Just a Simple Transformation is Enough for Data Protection in Vertical Federated Learning
Title（参考訳）: 垂直的フェデレーション学習におけるデータ保護のための単純な変換
Authors: Andrei Semenov, Philip Zmushko, Alexander Pichugin, Aleksandr Beznosikov,
Abstract要約: 我々は、入力データ妥協を目標とする一般的なリスクである特徴再構成攻撃について検討する。フェデレーションベースのモデルは、最先端の機能再構築攻撃に耐性があることが示される。
参考スコア（独自算出の注目度）: 83.90283731845867
License:
Abstract: Vertical Federated Learning (VFL) aims to enable collaborative training of deep learning models while maintaining privacy protection. However, the VFL procedure still has components that are vulnerable to attacks by malicious parties. In our work, we consider feature reconstruction attacks, a common risk targeting input data compromise. We theoretically claim that feature reconstruction attacks cannot succeed without knowledge of the prior distribution on data. Consequently, we demonstrate that even simple model architecture transformations can significantly impact the protection of input data during VFL. Confirming these findings with experimental results, we show that MLP-based models are resistant to state-of-the-art feature reconstruction attacks.
Abstract（参考訳）: Vertical Federated Learning (VFL)は、プライバシー保護を維持しながら、ディープラーニングモデルの協調トレーニングを可能にすることを目的としている。しかしながら、VFLプロシージャには、悪意のある当事者による攻撃に対して脆弱なコンポーネントがある。本稿では,入力データ妥協を目標とした機能再構築攻撃について検討する。理論的には、データの事前分布を知らなければ、特徴再構成攻撃は成功できないと主張する。その結果、単純なモデルアーキテクチャ変換であっても、VFL中の入力データの保護に大きな影響を及ぼすことを示した。これらの知見を実験的に確認し,MLPを用いたモデルが最新の機能再建攻撃に耐性があることを示唆した。

関連論文リスト

Understanding Data Reconstruction Leakage in Federated Learning from a Theoretical Perspective [33.68646515160024]
フェデレートラーニング(Federated Learning, FL)は、データプライバシ保護を目的とした、新たなコラボレーティブラーニングパラダイムである。近年の研究では、FLアルゴリズムは深刻なデータ再構成攻撃に弱いことが示されている。 FLに対するデータ再構成攻撃を理解するための理論的枠組みを提案する。
論文参考訳（メタデータ） (2024-08-22T04:20:48Z)
UIFV: Data Reconstruction Attack in Vertical Federated Learning [5.404398887781436]
Vertical Federated Learning (VFL)は、参加者が生のプライベートデータを共有することなく、協調的な機械学習を促進する。近年の研究では、学習プロセス中にデータ漏洩によって、敵が機密性を再構築する可能性のあるプライバシーリスクが明らかにされている。我々の研究は、実用的なVFLアプリケーションに真の脅威をもたらす、VFLシステム内の深刻なプライバシー上の脆弱性を露呈する。
論文参考訳（メタデータ） (2024-06-18T13:18:52Z)
FLIP: A Provable Defense Framework for Backdoor Mitigation in Federated Learning [66.56240101249803]
我々は,クライアントの強固化がグローバルモデル(および悪意のあるクライアント)に与える影響について検討する。本稿では, 逆エンジニアリングによる防御手法を提案するとともに, 堅牢性を保証して, 改良を実現できることを示す。競合する8つのSOTA防御法について, 単発および連続のFLバックドア攻撃に対して, 提案手法の実証的優位性を示した。
論文参考訳（メタデータ） (2022-10-23T22:24:03Z)
Feature Reconstruction Attacks and Countermeasures of DNN training in Vertical Federated Learning [39.85691324350159]
統合学習(FL)は、サイロ化されたデータに対する安全な協調トレーニングを促進するために、組織の中で、その垂直な形で、ますます多くデプロイされている。 VFLの採用が増加しているにもかかわらず、アクティブパーティが受動的パーティから特徴データを抽出できるかどうか、またどのようにして機能データを抽出できるかは、ほとんど不明である。本稿では,VFLにおけるDNNトレーニングの特徴的セキュリティ問題について検討する。
論文参考訳（メタデータ） (2022-10-13T06:23:47Z)
Do Gradient Inversion Attacks Make Federated Learning Unsafe? [70.0231254112197]
フェデレートラーニング(FL)は、生データを共有することなく、AIモデルの協調トレーニングを可能にする。モデル勾配からのディープニューラルネットワークの反転に関する最近の研究は、トレーニングデータの漏洩を防止するためのFLの安全性に関する懸念を提起した。本研究では,本論文で提示されたこれらの攻撃が実際のFLユースケースでは実行不可能であることを示し,新たなベースライン攻撃を提供する。
論文参考訳（メタデータ） (2022-02-14T18:33:12Z)
Fishing for User Data in Large-Batch Federated Learning via Gradient Magnification [65.33308059737506]
フェデレートラーニング(FL)は、プライバシーと効率性の約束により急速に人気が高まっている。これまでの作業では、勾配更新からユーザデータを復元することで、FLパイプラインのプライバシの脆弱性が露呈されていた。我々は、任意のサイズのバッチで運用するために、既存の攻撃を劇的に高める新しい戦略を導入する。
論文参考訳（メタデータ） (2022-02-01T17:26:11Z)
Defending Label Inference and Backdoor Attacks in Vertical Federated Learning [11.319694528089773]
共同学習では、好奇心が強いパリティは正直かもしれないが、推論攻撃を通じて他人の個人データを推測しようとしている。本稿では,サンプルごとの勾配から,プライベートラベルを再構築可能であることを示す。本稿では、オートエンコーダとエントロピー正規化に基づく、混乱型オートエンコーダ(CoAE)と呼ばれる新しい手法を提案する。
論文参考訳（メタデータ） (2021-12-10T09:32:09Z)
Defending against Reconstruction Attack in Vertical Federated Learning [25.182062654794812]
近年、悪意ある者が共有勾配からユーザが提供するセンシティブなトレーニングインプットを再構築できるフェデレートラーニング(FL)において、入力リーク問題を研究している。モデルユーティリティを維持しながら入力プライバシを保護するのに,我々のフレームワークが有効であることを示す。
論文参考訳（メタデータ） (2021-07-21T06:32:46Z)
RoFL: Attestable Robustness for Secure Federated Learning [59.63865074749391]
フェデレートラーニング(Federated Learning)により、多数のクライアントが、プライベートデータを共有することなく、ジョイントモデルをトレーニングできる。クライアントのアップデートの機密性を保証するため、フェデレートラーニングシステムはセキュアなアグリゲーションを採用している。悪意のあるクライアントに対する堅牢性を向上させるセキュアなフェデレート学習システムであるRoFLを提案する。
論文参考訳（メタデータ） (2021-07-07T15:42:49Z)
Curse or Redemption? How Data Heterogeneity Affects the Robustness of Federated Learning [51.15273664903583]
データの不均一性は、フェデレートラーニングにおける重要な特徴の1つとして認識されているが、しばしば敵対的攻撃に対する堅牢性のレンズで見過ごされる。本稿では, 複合学習におけるバックドア攻撃の影響を, 総合的な実験を通じて評価し, 理解することを目的とした。
論文参考訳（メタデータ） (2021-02-01T06:06:21Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。