論文の概要: Cascading Gradient Inversion via LT-Code Inspired Peeling in Federated Learning

• arxiv url: http://arxiv.org/abs/2609.09659v1
• Date: Wed, 09 Sep 2026 03:17:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:08.883463
• Title: Cascading Gradient Inversion via LT-Code Inspired Peeling in Federated Learning
• Title（参考訳）: フェデレートラーニングにおけるLT-Codeインスパイアされたピーリングによるカスケード勾配インバージョン
• Abstract要約: フェデレートされた学習は、生データではなくモデル更新を共有するが、これらの更新は、クライアントのトレーニングデータを再構築するために反転することができる。 以前のシングルラウンド攻撃では、攻撃者がネットワークパラメータを完全にコントロールしている場合でも、サイズが100ドル程度のバッチの半分しか回復できない。 我々は、勾配反転と消去訂正符号理論の関連性を確立し、これらの境界を超える攻撃を構築するためにそれを利用する。
• 参考スコア（独自算出の注目度）: 0.42970700836450487
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Federated learning shares model updates rather than raw data, yet these updates can be inverted to reconstruct the clients' training data. Analytic reconstruction attacks, which invert a gradient in closed form, degrade as the batch grows: prior single-round attacks recover only about half of a batch of size $100$ even when the attacker fully controls the network parameters, and known upper bounds limit what any such method can recover. We establish a connection between gradient inversion and the theory of erasure-correcting codes, and use it to construct attacks that exceed these bounds. Our attacks recover batches exactly, together with every sample's label, from a single FedSGD round, and certify each recovery without ground-truth data. On eight image and tabular benchmarks they outperform prior single-round attacks by a wide margin. Even a passive attacker who only observes an honestly trained network recovers $94$--$100\%$ of ImageNet batches at sizes up to $128$, more than prior single-round attacks achieve even with active manipulation of the model, and in the active setting more than $90\%$ is recovered at batch sizes of several hundred. These results show that the privacy leakage of federated learning has been underestimated.
• Abstract（参考訳）: フェデレートされた学習は、生データではなくモデル更新を共有するが、これらの更新は、クライアントのトレーニングデータを再構築するために反転することができる。 前のシングルラウンド攻撃は、攻撃者がネットワークパラメータを完全に制御している場合でも、バッチサイズの半分程度しか回復せず、既知の上限は、そのようなメソッドが回復できる範囲を制限する。 我々は、勾配反転と消去訂正符号理論の関連性を確立し、これらの境界を超える攻撃を構築するためにそれを利用する。 我々の攻撃は1回のFedSGDラウンドから各サンプルのラベルとともにバッチを正確に回収し、各リカバリを基幹データなしで認証する。 8つの画像と表のベンチマークでは、前回のシングルラウンド攻撃よりも広いマージンで優れていた。 誠実に訓練されたネットワークのみを観察するパッシブアタッカーでさえ、イメージネットのバッチを最大で94ドル～100ドル%、モデルのアクティブな操作でも以前のシングルラウンドアタックよりも多く、数百のバッチサイズで90ドル以上のアクティブな設定でリカバリする。 これらの結果は,フェデレート学習のプライバシー漏洩が過小評価されていることを示している。

関連論文リスト

• No More Guessing: a Verifiable Gradient Inversion Attack in Federated Learning [9.687363481559423]
  グラディエント・インバージョン・アタックは、連邦学習におけるクライアントのプライバシーを脅かす。 本稿では,再建標本の正当性の明示的な証明を提供する,検証可能な勾配反転攻撃(VGIA)を提案する。
  論文  参考訳（メタデータ） (2026-04-16T14:28:19Z)
• CENSOR: Defense Against Gradient Inversion via Orthogonal Subspace Bayesian Sampling [63.07948989346385]
  フェデレーション学習は、グローバルサーバ上でニューラルネットワークを協調的にトレーニングする。 各ローカルクライアントは、現在のグローバルモデルウェイトを受信し、そのローカルプライベートデータに基づいてパラメータ更新(グラディエント)を返送する。 既存の勾配反転攻撃は、クライアントの勾配ベクトルからプライベートトレーニングインスタンスを復元するためにこの脆弱性を利用することができる。 本稿では,大規模ニューラルネットワークモデルに適した新しい防衛手法を提案する。
  論文  参考訳（メタデータ） (2025-01-27T01:06:23Z)
• SPEAR:Exact Gradient Inversion of Batches in Federated Learning [11.799563040751591]
  フェデレーション・ラーニング(Federated Learning)は、クライアントがサーバとプライベートデータを共有するのではなく、勾配更新のみを共有する機械学習のフレームワークである。 本研究では,バッチ全体を正確に$b > 1$で再構築する最初のアルゴリズムであるSPEARを提案する。 我々は,大規模ネットワークへのスケーリング中に,最大$b以下の25ドルのバッチで高次元イメージネット入力を復元することを示す。
  論文  参考訳（メタデータ） (2024-03-06T18:52:39Z)
• A Curious Case of Remarkable Resilience to Gradient Attacks via Fully Convolutional and Differentiable Front End with a Skip Connection [2.409321776852724]
  凍結バックボーン分類器の前に、スキップ接続を持つ微分可能かつ完全な畳み込みモデルを追加する。 学習速度を小さくすることで,背骨の精度を保ったモデルを得ることができた。 これらのアンサンブルは、CIFAR10, CIFAR100, ImageNet上で、ほぼSOTAオートアタック精度が得られると推定する。
  論文  参考訳（メタデータ） (2024-02-26T20:55:47Z)
• Towards Eliminating Hard Label Constraints in Gradient Inversion Attacks [88.12362924175741]
  グラディエント・インバージョン・アタックは、フェデレート学習フレームワークで公開された中間勾配から局所的なトレーニングデータを再構築することを目的としている。 以前のメソッドは、単一のデータポイントの再構築から始まり、単一イメージの制限をバッチレベルに緩和することから始まり、ハードラベルの制約の下でのみテストされる。 単入力勾配から最後の完全連結層の入力特徴と地下構造ラベルを同時に復元する新しいアルゴリズムを最初に開始する。
  論文  参考訳（メタデータ） (2024-02-05T15:51:34Z)
• LOKI: Large-scale Data Reconstruction Attack against Federated Learning through Model Manipulation [25.03733882637947]
  従来の制限を克服し,アグリゲーションの匿名性を破る攻撃であるLOKIを導入する。 FedAVGと100のクライアントの集約により、以前の作業はMNIST、CIFAR-100、Tiny ImageNetのイメージの1%未満をリークすることができる。 LOKIは1回のトレーニングラウンドのみを使用して、すべてのデータサンプルの76～86%をリークすることができる。
  論文  参考訳（メタデータ） (2023-03-21T23:29:35Z)
• Client-specific Property Inference against Secure Aggregation in Federated Learning [52.8564467292226]
  フェデレートラーニングは、さまざまな参加者の間で共通のモデルを協調的に訓練するための、広く使われているパラダイムとなっている。 多くの攻撃は、メンバーシップ、資産、または参加者データの完全な再構築のような機密情報を推測することは依然として可能であることを示した。 単純な線形モデルでは、集約されたモデル更新からクライアント固有のプロパティを効果的にキャプチャできることが示される。
  論文  参考訳（メタデータ） (2023-03-07T14:11:01Z)
• Understanding Reconstruction Attacks with the Neural Tangent Kernel and Dataset Distillation [110.61853418925219]
  我々は、データセット再構築攻撃のより強力なバージョンを構築し、無限の幅で設定されたエンペントリアルトレーニングを確実に回復する方法を示す。 理論的にも経験的にも再構成された画像は、データセットの「外部」に傾向を示す。 これらのリコンストラクション攻撃は, テクストデータセット蒸留において, 再構成画像上で再トレーニングを行い, 高い予測精度を得ることができる。
  論文  参考訳（メタデータ） (2023-02-02T21:41:59Z)
• Detection and Mitigation of Byzantine Attacks in Distributed Training [24.951227624475443]
  ワーカノードの異常なビザンチン挙動は、トレーニングを脱線させ、推論の品質を損なう可能性がある。 最近の研究は、幅広い攻撃モデルを検討し、歪んだ勾配を補正するために頑健な集約と/または計算冗長性を探究している。 本研究では、強力な攻撃モデルについて検討する:$q$ omniscient adversaries with full knowledge of the defense protocol that can change from iteration to iteration to weak one: $q$ randomly selected adversaries with limited collusion abilities。
  論文  参考訳（メタデータ） (2022-08-17T05:49:52Z)
• See through Gradients: Image Batch Recovery via GradInversion [103.26922860665039]
  我々は、より大きなバッチからの入力イメージをResNets(50層)のような大規模ネットワークでも復元できるGradInversionを紹介した。 複雑なデータセット、ディープネットワーク、大規模なバッチサイズであっても、GradInversionを通じて、個々のイメージを高い忠実度で復元できるような、驚くほど大量の情報をエンコードする勾配を示す。
  論文  参考訳（メタデータ） (2021-04-15T16:43:17Z)
• Detection as Regression: Certified Object Detection by Median Smoothing [50.89591634725045]
  この研究は、ランダム化平滑化による認定分類の最近の進歩によって動機付けられている。 我々は、$ell$-bounded攻撃に対するオブジェクト検出のための、最初のモデル非依存、トレーニング不要、認定された防御条件を得る。
  論文  参考訳（メタデータ） (2020-07-07T18:40:19Z)

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。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。