التعلم الفيدرالي تحت الهجوم: تحسين عكس التدرجات لمجموعة من الصور

برز التعلم الفيدرالي (FL) كنهج لتعلم الآلة قادر على الحفاظ على خصوصية بيانات المستخدم. من خلال تطبيق FL، يقوم العملاء بتدريب نماذج تعلم الآلة على مجموعة بيانات محلية، ويقوم خادم مركزي بتجميع المعلمات المتعلمة التي تأتي من العملاء، مما يساهم في تدريب نموذج تعلم آلة عالمي دون مشاركة بيانات المستخدم. ومع ذلك، تظهر أحدث الأساليب العديد من الطرق لتعزيز الهجمات على أنظمة FL. على سبيل المثال، يمكن أن تعثر هجمات عكس التدرجات أو تسريبها، بدقة عالية، على مجموعة البيانات المحلية المستخدمة خلال مرحلة التدريب في FL. تقدم هذه الورقة طريقة، تُسمى تسريب عميق من التدرجات مع دمج التغذية الراجعة (DLG-FB)، التي تستطيع تحسين هجوم عكس التدرجات، مع الأخذ في الاعتبار الترابط المكاني الذي يوجد عادةً في دفعات الصور. تُظهر التقييمات المنجزة تحسينًا بنسبة 19.18% و48.82% من حيث معدل نجاح الهجوم وعدد التكرارات لكل صورة مستهدفة، على التوالي.