SoK: Gradient Leakage in Federated Learning

联邦学习（FL）可以在不暴露原始数据的情况下使多个客户端进行协作模型训练。然而，最近的研究表明，客户端在FL中共享的梯度可以重构出他们的私有训练数据，这被称为梯度反演攻击（GIAs）。虽然GIAs在理想情况和辅助假设下已经证明了其有效性，但它们在实际FL系统中的实际效果尚未得到充分探索。为了填补这一空白，本文对GIAs进行了全面的研究。我们首先进行了GIAs的调查，建立了一个里程碑来追踪它们的演变，并开发了一种系统化方法来揭示它们固有的威胁。具体而言，我们根据现有GIAs使用的辅助假设的实际可访问性对其进行分类，以便于更深入的分析。我们从三个角度（本地训练、模型和后处理）强调GIAs在实际FL系统中面临的挑战。然后，我们在不同的设置下，利用八个数据集和十三个模型对最先进的GIAs进行了广泛的理论和实证评估。我们的发现表明，在实际本地训练设置下，GIAs在重构数据方面存在固有的局限性。此外，它们的有效性对训练的模型非常敏感，即使是对梯度应用的简单后处理措施也可以成为有效的防御措施。总的来说，我们的工作为实际FL系统中GIAs的有限效果提供了关键洞察。通过纠正之前的误解，我们希望激发更准确和现实的研究。

本文旨在深入研究梯度反演攻击（GIAs）在实际联邦学习系统中的实际效果，以弥补现有研究的不足。具体而言，论文探讨了GIAs的局限性以及其在实际FL系统中面临的挑战。

本文对GIAs进行了全面的理论和实证评估，发现GIAs在实际本地训练设置中重建数据的能力存在固有限制。此外，GIAs的有效性对训练模型敏感，甚至对梯度进行的简单后处理措施也可以作为有效的防御措施。

本文对GIAs进行了全面的研究，包括系统化的分类和对现有GIAs的深入分析。实验使用了8个数据集和13个模型。此外，本文强调了GIAs在实际FL系统中面临的局限性，并提出了有效的防御措施。

最近在该领域的相关研究包括：1. Li等人的“联邦学习中的隐私攻击：现状和未来研究方向”；2. Zhao等人的“联邦学习中的隐私保护：现状与前景”。