基于LT码启发的级联梯度反演攻击联邦学习
原文标题：Cascading Gradient Inversion via LT-Code Inspired Peeling in Federated Learning
重要度 3/5 · AI 综合评估报道影响力与新鲜度，4–5 分为高价值资讯。
论文揭示联邦学习隐私泄露被严重低估，将梯度反演与纠删码理论建立联系，构造出超越已知上界的攻击方法。攻击可从单轮FedSGD中精确恢复批次及每个样本标签，无需真实数据即可验证。被动攻击者在ImageNet批次规模达128时仍能恢复94%-100%。
- 问题
- 联邦学习梯度反演攻击被低估，大批量下单轮攻击只能恢复约一半样本。
- 方法
- 把梯度反演与纠删码理论挂钩，构造突破已知上界的解析重建攻击，无需真实数据即可验证恢复。
- 结果
- ImageNet 批量达 128 时被动攻击者恢复 94%-100%，主动设置下数百批量仍超 90%。
- 影响
- 说明仅共享梯度并不安全，联邦学习部署需重新评估大批量场景的隐私风险。
深读 · 结论先行AI 生成展开看要点与影响 ↓
新梯度反演攻击从单轮FedSGD精确恢复整批数据及标签，ImageNet批次128仍达94%-100%
- •既有认知：解析重建攻击随批次增大而退化，批次100时此前单轮攻击即使完全控制网络参数也只能恢复约一半，且存在已知上界
- •方法：把梯度反演与纠删码理论建立联系，据此构造出超越已知上界的攻击
- •能力：从单轮FedSGD精确恢复整批数据及每个样本标签，且无需真实数据即可验证每次恢复
- •被动攻击者仅观察诚实训练的网络，在ImageNet批次规模达128时仍恢复94%-100%；主动设置下批次数百仍超90%
为什么重要：直接推翻「联邦学习共享更新即安全」的默认假设，做联邦训练或差分隐私防护的团队需要重新评估威胁模型。
以上深读由 AI 依据标题/摘要/正文节选生成，仅供参考；事实以原文为准。
AI 处理过程展开/收起
相关推荐
OpenAI 宣布数学、计算机科学、物理学三项新发现
AI 摘要OpenAI 宣布在调和分析、复杂性理论和量子场论三个方向取得新发现，并采用与学术界合作的新方法。公司邀请外部专家组织团队理解研究结果，参与者无需签署保密协议、可自由讨论并发表结论，且为自愿无报酬。OpenAI 表示不会为内部模型产生的发现寻求学术署名。
数学家称需数年消化 OpenAI 最新数学成果
AI 摘要OpenAI 本周突然发布近 400 项 AI 生成的数学成果，分布在 700 多份手稿中，覆盖组合数学、几何、数论等多个领域。多位数学家表示「震惊」「难以置信」，认为仅理解这些成果就需数年，且验证程度参差不齐。
OpenAI 公布数学难题突破成果
AI 摘要OpenAI 发布由未公开前沿模型生成的 722 篇数学手稿，覆盖 372 个成果族，声称解决了数百个长期未解问题，并公开 Lean 形式化证明与算力估算。此举延续了 AI 冲击数学界的势头，也引发研究伦理与学术规范的争议。独立顾问组织 AGMAI 呼吁实验室通过正规学术渠道发布成果，而非将其当作营销工具。
OpenAI 再抛数学突破成果引争议
AI 摘要OpenAI 公布 722 篇手稿，称未发布的前沿模型解决了数百个数学开放问题，平均每个结果消耗约三小时 ChatGPT Pro 级算力。成果虽令人震撼，但数学界对发布方式、研究伦理与学术规范提出质疑。AGMAI 建议实验室及时通过正规渠道披露模型、提示词与算力成本，避免把成果当作营销手段。