iDLG：改进的 Deep Leakage from Gradients
发布: (2026年1月1日 GMT+8 19:40)
2 分钟阅读
原文: Dev.to
Source: Dev.to
Overview
当人们共同训练模型时，他们会共享称为 梯度 的微小信号，这些信号被认为是安全且私密的。最新研究表明，这些信号实际上可以泄露真实的训练图像及其对应的答案，因此你的私人信息可能并不安全。
Method
研究人员找到了一种更清晰的方法，从这些信号中提取真实的 标签，随后比以往更可靠地重建原始 数据。该技巧简单且适用于许多常见的训练设置；它不需要额外的技巧或大量猜测。这种新方法称为 iDLG，它让问题变得可见：标签先泄露，随后是图像。
Implications
共享梯度可能会危害 隐私，除非改变实践。这个概念易于解释，但对在手机或群组中共同训练的应用影响巨大。如果你使用共享学习，需要了解此风险，开发者也必须加入保护措施，以确保私人信息保持私密。修复是可能的，但并非自动完成，需立即采取行动。