כתבה
arXiv cs.LG ·
פריבטיות: חדירה בלימוד רצפי פדרטיבי - זיהוי גרדיאנט-בסיסי של זהות הלקוח
Privacy Leakage in Federated Learning: Gradient-Based Client Identity Inference and Defenses for Inertial Sensing in Vehicular Edge Networks
במאמר זה, נחקרה פריבטיות בלימוד רצפי פדרטיבי. נמצא כי עדכוני הלקוחים עדיין מפליגים מידע שמאפשר זיהוי זהות הלקוח. נבחנה גם תורת החישוב הפרטית (DP) כדי להגן על פריבטיות.
תקציר מקורי באנגליתarXiv:2609.02971v2 Announce Type: replace-cross Abstract: As vehicular networks move toward 5G/6G edge intelligence, federated learning (FL) is widely promoted as a privacy-preserving way for vehicles and infrastructure to train shared models without exposing raw sensor data. Yet the updates clients transmit still leak enough information to identify who sent them, which threatens the anonymity that safety-critical V2X applications assume and adds to existing concerns over adversarial ML, model poisoning, and backdoor attacks. We study server-side client identity inference from transmitted weight deltas using inertial (IMU) measurements, evaluated on the UCI Human Activity Recognition (HAR) benchmark as an accessible proxy for the IMU streams produced onboard connected vehicles. Across five
קרא במקור המקורי
arxiv.org
פתח כתבה מקורית