ARES：通过激活恢复实现联邦学习中可扩展且实用的梯度反演攻击
ARES: Scalable and Practical Gradient Inversion Attack in Federated Learning through Activation Recovery
AI 导读
研究者提出 ARES，一种针对联邦学习的主动梯度反演攻击，无需修改模型架构即可从大批次训练数据中高保真重建样本。该方法将恢复问题建模为含噪稀疏恢复任务并用广义 Lasso 求解，同时借助 imprint 方法解耦激活，实现可扩展的逐样本重建；论文还给出了期望恢复率与重建误差上界的理论保证。在 CNN 和 MLP 上的实验显示，ARES 在大批次和真实联邦学习设置下的重建效果显著优于既有梯度反演攻击。作者指出，中间激活在联邦学习中构成被低估的严重隐私风险，凸显对更强防御的需求。