本研究提出了一种名为RAID的防御方法，旨在抵御推荐系统中的属性推断攻击。RAID通过使受保护属性的分布与类标签独立，增强用户抵御能力，同时保持推荐性能。实验结果表明，RAID在多个方面优于现有防御方法。

本研究探讨了联邦学习中的回归任务属性推断攻击，提出了一种模型驱动的攻击方法。实验结果表明，该方法在异构客户端数据集中显著提高了重构准确性，为评估隐私泄露提供了有效工具。