GI-NAS: Boosting Gradient Inversion Attacks through Adaptive Neural Architecture Search

Gradient Inversion Attacks（梯度反演攻击）通过反演联邦学习系统中传输的梯度，重构本地客户端的敏感数据，引起了相当大的隐私问题。大多数梯度反演方法严重依赖于显式先验知识（例如，预先训练的生成模型），这在实际情况下通常是不可用的。为了缓解这个问题，研究人员提出利用过度参数化网络的隐式先验知识。然而，他们只使用固定的神经结构来处理所有攻击设置。这将阻碍隐式架构先验的自适应使用，从而限制了泛化能力。本文进一步利用这种隐式先验知识，提出了一种通过神经结构搜索的梯度反演方法（GI-NAS），它可以自适应地搜索网络并捕获神经结构背后的隐式先验知识。广泛的实验验证了我们提出的GI-NAS相比于最先进的梯度反演方法可以实现更优越的攻击性能，即使在更实际的设置下，例如高分辨率图像、大尺寸批次和先进的防御策略。

本文旨在解决联邦学习系统中的梯度反演攻击问题，并验证了使用神经架构搜索技术来适应性地搜索网络以捕获隐含的先验知识的可行性。

本文提出了一种新的方法GI-NAS，通过神经架构搜索技术来适应性地搜索网络以捕获隐含的先验知识，从而解决了现有方法中固定神经架构限制了攻击性能的问题。

本文的实验结果表明，GI-NAS可以在更实际的情况下，如高分辨率图像、大批量数据和先进的防御策略下，比现有的梯度反演攻击方法表现更好。本文使用了多个数据集进行实验，并开源了代码。

最近的相关研究包括：Gradient Inversion Attacks，Federated Learning，Neural Architecture Search等。