KDk：垂直联邦学习中的标签推断攻击防御机制

原文约300字，阅读约需1分钟。发表于：。

通过应用我们的方法，我们提出了一种名为 KDk 的新颖框架，结合了知识蒸馏和 k - 匿名性，以在竖直分割数据的联邦学习（VFL）场景中提供对潜在标签推断攻击的防御机制，通过详尽的实验结果表明，我们的方法能够显著降低分析的标签推断攻击的性能，甚至能将其准确度减少 60％以上，同时几乎不改变整个 VFL 的准确度。

通过KDk框架、知识蒸馏和k-匿名性，可以在竖直分割数据的联邦学习场景中防御标签推断攻击，准确度降低60%以上。