【五期邹昱夫】arXiv(22)iDLG: Improved Deep Leakage from Gradients

"Zhao B, Mopuri K R, Bilen H. idlg: Improved deep leakage from gradients[J]. arXiv preprint arXiv:2001.02610, 2020."

  本文发现共享梯度肯定会泄露数据真实标签。我们提出了一种简单但可靠的方法来从梯度中提取准确的数据。与DLG相比，可以提取基本真实标签，因此将其命名为改进的DLG（iDLG）。当使用非负激活函数，例如ReLU和Sigmoid时数据对应的真实标签梯度为负数，可以很容易地从共享梯度中识别私人训练数据x的真实标签c。
  本文的优点在于从公开共享的梯度中获得私有训练数据的真实标签，优化了原有的DLG方法。。
  本文的缺点在于没有对DLG存在的其他实质性问题进行解决，如图像大小限制，图像批量限制等等。

2023年4月19日