پژوهشگران از امکان شناسایی حملات نشت گرادیان در یادگیری فدرال می‌گویند

پژوهشگران در پیش‌چاپی با عنوان «Hear No Evil: Detecting Gradient Leakage by Malicious Servers in Federated Learning» حملات نشت گرادیان در یادگیری فدرال را از نگاه مدافعان بررسی کرده‌اند. در این شیوهٔ حمله، سرور مخرب مدل سراسری را دست‌کاری می‌کند تا به‌روزرسانی‌هایی از کاربران دریافت کند که اطلاعات بیشتری دربارهٔ داده‌های محلی آن‌ها آشکار می‌کند.

چکیدهٔ مقاله از یک بده‌بستان اساسی خبر می‌دهد: این حملات نمی‌توانند هم‌زمان در بازسازی داده‌های خصوصی بسیار مؤثر و برای گریز از شناسایی به‌اندازهٔ کافی پنهان‌کار باشند؛ به‌ویژه در شرایط واقع‌گرایانه‌ای که از روش‌های متداول نرمال‌سازی و تجمیع فدرال استفاده می‌کنند. متن در دسترس جزئیات بیشتری دربارهٔ روش‌های تشخیص یا نتایج آزمایش‌ها ارائه نمی‌کند.