Una simple transformación es suficiente para la protección de datos en el Aprendizaje Federado Vertical.

Just a Simple Transformation is Enough for Data Protection in Vertical Federated Learning

December 16, 2024

Autores: Andrei Semenov, Philip Zmushko, Alexander Pichugin, Aleksandr Beznosikov

cs.AI

Resumen

El Aprendizaje Federado Vertical (VFL) tiene como objetivo permitir el entrenamiento colaborativo de modelos de aprendizaje profundo manteniendo la protección de la privacidad. Sin embargo, el procedimiento de VFL todavía tiene componentes que son vulnerables a ataques por parte de partes maliciosas. En nuestro trabajo, consideramos los ataques de reconstrucción de características, un riesgo común que apunta a comprometer los datos de entrada. Teóricamente afirmamos que los ataques de reconstrucción de características no pueden tener éxito sin conocimiento de la distribución previa de los datos. En consecuencia, demostramos que incluso transformaciones simples en la arquitectura del modelo pueden impactar significativamente la protección de los datos de entrada durante el VFL. Confirmamos estos hallazgos con resultados experimentales, mostrando que los modelos basados en MLP son resistentes a los ataques de reconstrucción de características de vanguardia.

English

Vertical Federated Learning (VFL) aims to enable collaborative training of deep learning models while maintaining privacy protection. However, the VFL procedure still has components that are vulnerable to attacks by malicious parties. In our work, we consider feature reconstruction attacks, a common risk targeting input data compromise. We theoretically claim that feature reconstruction attacks cannot succeed without knowledge of the prior distribution on data. Consequently, we demonstrate that even simple model architecture transformations can significantly impact the protection of input data during VFL. Confirming these findings with experimental results, we show that MLP-based models are resistant to state-of-the-art feature reconstruction attacks.