联合学习中的医疗图像隐私:细分-重组和稀疏梯度匹配攻击
IEEE journal of biomedical and health informatics
|September 1, 2025
概括
研究人员开发了一种新的梯度反转攻击,以从联合学习 (FL) 梯度中重建高分辨率的医疗图像. 这种方法通过提高图像相似性和实现批处理来提高FL的隐私风险.
科学领域:
- 医学成像
- 人工智能
- 网络安全
背景情况:
- 医学成像对于诊断至关重要,
- 联合学习 (FL) 通过对梯度进行训练而不是原始数据来保护隐私.
- 梯度反转攻击威胁FL通过从梯度重建私人数据.
研究的目的:
- 为重建高分辨率,高相似度的医疗图像提出一种新的梯度反转攻击.
- 增强针对联合学习的现有梯度反转攻击的能力.
主要方法:
- 使用散散梯度匹配和细分重组 (SR) 开发了梯度反转攻击.
- 使用L1损失函数进行梯度散散优化.
- 使用适应性学习速度调整机制以实现稳定的优化.
主要成果:
- 拟议的方法可以重建高分辨率和高相似度的医学图像.
- 在视觉质量和定量指标方面取得了显著的改进.
- 在图像相似度上有146%的改善.
结论:
- 新的梯度反转攻击对医疗成像联合学习中的隐私构成重大威胁.
- 克服了梯度反转攻击的现有局限性,使高分辨率图像的批处理成为可能.

