穿越隐私：一种基于超平面的联邦学习数据重构攻击

本文针对联邦学习中的数据隐私保护缺陷，提出了一种新颖的数据重构攻击方法，解决了现有攻击依赖客户端数据分布假设的局限性。研究结果表明，该方法能够在分类任务中完美恢复任意大小的数据批次，显著优于现有技术，具有重要的安全性影响。

本文提出了一种新颖的数据重构攻击方法，解决了联邦学习中的数据隐私保护问题。研究表明，该方法在分类任务中能够完美恢复任意大小的数据批次，显著优于现有技术，具有重要的安全性影响。

安全性 攻击方法 数据重构 联邦学习 隐私保护
原文中文，约200字，阅读约需1分钟。发表于：。
阅读原文
分享给好友