Buchumschlag

Exploring User-level Gradient Inversion with a Diffusion Prior

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Li, Zhuohang, Lowy, Andrew, Liu, Jing, Koike-Akino, Toshiaki, Malin, Bradley, Parsons, Kieran, Wang, Ye
Format:	Preprint
Veröffentlicht:	2024
Schlagworte:	Machine Learning Artificial Intelligence Cryptography and Security Computer Vision and Pattern Recognition
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Analyzing Inference Privacy Risks Through Gradients in Machine Learning
von: Li, Zhuohang, et al.
Veröffentlicht: (2024)

Efficient Differentially Private Fine-Tuning of Diffusion Models
von: Liu, Jing, et al.
Veröffentlicht: (2024)

Why Does Differential Privacy with Large Epsilon Defend Against Practical Membership Inference Attacks?
von: Lowy, Andrew, et al.
Veröffentlicht: (2024)

Variational Randomized Smoothing for Sample-Wise Adversarial Robustness
von: Hase, Ryo, et al.
Veröffentlicht: (2024)

Gradient Inversion of Federated Diffusion Models
von: Huang, Jiyue, et al.
Veröffentlicht: (2024)

An Inversion-based Measure of Memorization for Diffusion Models
von: Ma, Zhe, et al.
Veröffentlicht: (2024)

Directional Embedding Smoothing for Robust Vision Language Models
von: Wang, Ye, et al.
Veröffentlicht: (2026)

Is Diffusion Model Safe? Severe Data Leakage via Gradient-Guided Diffusion Model
von: Meng, Jiayang, et al.
Veröffentlicht: (2024)

Towards Eliminating Hard Label Constraints in Gradient Inversion Attacks
von: Wang, Yanbo, et al.
Veröffentlicht: (2024)

UnlearnShield: Shielding Forgotten Privacy against Unlearning Inversion
von: Xue, Lulu, et al.
Veröffentlicht: (2026)

InverTune: Removing Backdoors from Multimodal Contrastive Learning Models via Trigger Inversion and Activation Tuning
von: Sun, Mengyuan, et al.
Veröffentlicht: (2025)

MIBench: A Comprehensive Framework for Benchmarking Model Inversion Attack and Defense
von: Qiu, Yixiang, et al.
Veröffentlicht: (2024)

Private Gradient Estimation is Useful for Generative Modeling
von: Liu, Bochao, et al.
Veröffentlicht: (2023)

Fully Exploiting Every Real Sample: SuperPixel Sample Gradient Model Stealing
von: Zhao, Yunlong, et al.
Veröffentlicht: (2024)

Improving Adversarial Transferability with Neighbourhood Gradient Information
von: Guo, Haijing, et al.
Veröffentlicht: (2024)

DiffMI: Breaking Face Recognition Privacy via Diffusion-Driven Training-Free Model Inversion
von: Wang, Hanrui, et al.
Veröffentlicht: (2025)

A Roadmap for Greater Public Use of Privacy-Sensitive Government Data: Workshop Report
von: Clifton, Chris, et al.
Veröffentlicht: (2022)

Robust and Transferable Backdoor Attacks Against Deep Image Compression With Selective Frequency Prior
von: Yu, Yi, et al.
Veröffentlicht: (2024)

Struggle with Adversarial Defense? Try Diffusion
von: Li, Yujie, et al.
Veröffentlicht: (2024)

Video Signature: Implicit Watermarking for Video Diffusion Models
von: Huang, Yu, et al.
Veröffentlicht: (2025)

Adversarial 3D Virtual Patches using Integrated Gradients
von: You, Chengzeng, et al.
Veröffentlicht: (2024)

MMA-Diffusion: MultiModal Attack on Diffusion Models
von: Yang, Yijun, et al.
Veröffentlicht: (2023)

Defensive Unlearning with Adversarial Training for Robust Concept Erasure in Diffusion Models
von: Zhang, Yimeng, et al.
Veröffentlicht: (2024)

CGI-DM: Digital Copyright Authentication for Diffusion Models via Contrasting Gradient Inversion
von: Wu, Xiaoyu, et al.
Veröffentlicht: (2024)

Lazy Layers to Make Fine-Tuned Diffusion Models More Traceable
von: Liu, Haozhe, et al.
Veröffentlicht: (2024)

LoyalDiffusion: A Diffusion Model Guarding Against Data Replication
von: Li, Chenghao, et al.
Veröffentlicht: (2024)

Gradient-based facial encoding for key generation to encrypt and decrypt multimedia data
von: Patel, Ankit Kumar, et al.
Veröffentlicht: (2024)

Gradient Inversion Attacks on Parameter-Efficient Fine-Tuning
von: Sami, Hasin Us, et al.
Veröffentlicht: (2025)

Responsible Diffusion: A Comprehensive Survey on Safety, Ethics, and Trust in Diffusion Models
von: Wei, Kang, et al.
Veröffentlicht: (2025)

EditShield: Protecting Unauthorized Image Editing by Instruction-guided Diffusion Models
von: Chen, Ruoxi, et al.
Veröffentlicht: (2023)

DiffProtect: Generate Adversarial Examples with Diffusion Models for Facial Privacy Protection
von: Liu, Jiang, et al.
Veröffentlicht: (2023)

Guidance Watermarking for Diffusion Models
von: Gesny, Enoal, et al.
Veröffentlicht: (2025)

Training-Free Color-Aware Adversarial Diffusion Sanitization for Diffusion Stegomalware Defense at Security Gateways
von: Frants, Vladimir, et al.
Veröffentlicht: (2025)

FedSECA: Sign Election and Coordinate-wise Aggregation of Gradients for Byzantine Tolerant Federated Learning
von: Benjamin, Joseph Geo, et al.
Veröffentlicht: (2024)

Membership Inference on Text-to-Image Diffusion Models via Conditional Likelihood Discrepancy
von: Zhai, Shengfang, et al.
Veröffentlicht: (2024)

Six-CD: Benchmarking Concept Removals for Benign Text-to-image Diffusion Models
von: Ren, Jie, et al.
Veröffentlicht: (2024)

Steganographic Passport: An Owner and User Verifiable Credential for Deep Model IP Protection Without Retraining
von: Cui, Qi, et al.
Veröffentlicht: (2024)

DisDet: Exploring Detectability of Backdoor Attack on Diffusion Models
von: Sui, Yang, et al.
Veröffentlicht: (2024)

TriQDef: Disrupting Semantic and Gradient Alignment to Prevent Adversarial Patch Transferability in Quantized Neural Networks
von: Guesmi, Amira, et al.
Veröffentlicht: (2025)

Adversarial Examples are Misaligned in Diffusion Model Manifolds
von: Lorenz, Peter, et al.
Veröffentlicht: (2024)