SLeak: 分割学習に対するマルチターゲットプライバシースティーリング攻撃

科学分野:

• 人工知能
• 機械学習セキュリティ
• 分散システム

背景:

• 分割学習（SL）はプライバシーと効率を提供しますが、推論攻撃のリスクに直面しています。
• 既存のSLプライバシー防御は、非現実的な仮定に依存しており、実際の有効性を制限しています。
• サーバーの敵対者は、SLフレームワークでクライアントのプライバシーを侵害する可能性があります。

研究 の 目的:

• 分割学習（SL）フレームワークにおける固有の脆弱性を調査すること。
• SLに対する新しいプライバシー脅威であるスプリットリーケージ（SLeak）を導入すること。
• 強力なプライバシー仮定なしにSLeakの有効性を実証すること。

主な方法:

• SLのスラッシュされたデータとサーバーモデルにおけるクライアント表現の好みの分析。
• ターゲットクライアントの動作を模倣するために代替クライアントを開発すること。
• 複数のプライバシー目的のためにスプリットリーケージ（SLeak）脅威を導入すること。
• 攻撃のために部分的に同じドメインの補助的な公開データを利用すること。

主要な成果:

• スマッシュされたデータとサーバーモデルの両方が、クライアントの表現の好みを明らかにする可能性があることを特定しました。