本文发现梯度的方向比其范数幅值携带了更加重要的信息，以此提出基于梯度余弦相似性的梯度反演攻击，用以角度为基础的损失函数，再使用Adam优化器对图像进行优化。实现针对Resnet-152模型的梯度反演攻击。"Geiping J, Bauermeister H, Dröge H, et al. Inverting gradients-how easy is it to break privacy in federated learning?[J]. Advances in Neural Information Processing Systems, 2020, 33: 16937-16947."
本文的优点在于将梯度间的方向纳入损失函数，增强了梯度反演攻击的效果，将梯度反演攻击扩展到更复杂的模型。
本文的缺点在于依旧没有解决梯度的批量问题和图片的大小问题。
2023年5月8日
- gradients-how Inverting gradients federated learninggradients-how inverting gradients federated gradients-how mitigating irrelevant federated gradients federated learning 005 heterogeneous federated learning yourself continual selection gradient learning healthcare federated learning会议 inverting federated federation