Buchumschlag

Evaluating Selective Encryption Against Gradient Inversion Attacks

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Gu, Jiajun, Yao, Yuhang, Wang, Shuaiqi, Joe-Wong, Carlee
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Cryptography and Security Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

FedML-HE: An Efficient Homomorphic-Encryption-Based Privacy-Preserving Federated Learning System
von: Jin, Weizhao, et al.
Veröffentlicht: (2023)

A New Federated Learning Framework Against Gradient Inversion Attacks
von: Guo, Pengxin, et al.
Veröffentlicht: (2024)

Gradient Shaping: Enhancing Backdoor Attack Against Reverse Engineering
von: Zhu, Rui, et al.
Veröffentlicht: (2023)

CENSOR: Defense Against Gradient Inversion via Orthogonal Subspace Bayesian Sampling
von: Zhang, Kaiyuan, et al.
Veröffentlicht: (2025)

ARES: Scalable and Practical Gradient Inversion Attack in Federated Learning through Activation Recovery
von: Gong, Zirui, et al.
Veröffentlicht: (2026)

SVDefense: Effective Defense against Gradient Inversion Attacks via Singular Value Decomposition
von: Luo, Chenxiang, et al.
Veröffentlicht: (2025)

GI-PIP: Do We Require Impractical Auxiliary Dataset for Gradient Inversion Attacks?
von: Sun, Yu, et al.
Veröffentlicht: (2024)

Practical Feasibility of Gradient Inversion Attacks in Federated Learning
von: Valadi, Viktor, et al.
Veröffentlicht: (2025)

A Sample-Level Evaluation and Generative Framework for Model Inversion Attacks
von: Li, Haoyang, et al.
Veröffentlicht: (2025)

Optimal Defenses Against Gradient Reconstruction Attacks
von: Chen, Yuxiao, et al.
Veröffentlicht: (2024)

Geminio: Language-Guided Gradient Inversion Attacks in Federated Learning
von: Shan, Junjie, et al.
Veröffentlicht: (2024)

Ensembler: Protect Collaborative Inference Privacy from Model Inversion Attack via Selective Ensemble
von: Liu, Dancheng, et al.
Veröffentlicht: (2024)

A No-Defense Defense Against Gradient-Based Adversarial Attacks on ML-NIDS: Is Less More?
von: elShehaby, Mohamed, et al.
Veröffentlicht: (2026)

A Numerical Gradient Inversion Attack in Variational Quantum Neural-Networks
von: Papadopoulos, Georgios, et al.
Veröffentlicht: (2025)

No More Guessing: a Verifiable Gradient Inversion Attack in Federated Learning
von: Diana, Francesco, et al.
Veröffentlicht: (2026)

Revisiting Gradient Pruning: A Dual Realization for Defending against Gradient Attacks
von: Xue, Lulu, et al.
Veröffentlicht: (2024)

FedGIG: Graph Inversion from Gradient in Federated Learning
von: Xiao, Tianzhe, et al.
Veröffentlicht: (2024)

Watch Out for the Lifespan: Evaluating Backdoor Attacks Against Federated Model Adaptation
von: Vuillod, Bastien, et al.
Veröffentlicht: (2025)

Model Inversion Attacks Meet Cryptographic Fuzzy Extractors
von: Prabhakar, Mallika, et al.
Veröffentlicht: (2025)

ReLATE: Resilient Learner Selection for Multivariate Time-Series Classification Against Adversarial Attacks
von: Kocal, Cagla Ipek, et al.
Veröffentlicht: (2025)

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

Adversarial Prompt Evaluation: Systematic Benchmarking of Guardrails Against Prompt Input Attacks on LLMs
von: Zizzo, Giulio, et al.
Veröffentlicht: (2025)

Understanding Deep Gradient Leakage via Inversion Influence Functions
von: Zhang, Haobo, et al.
Veröffentlicht: (2023)

Ensembling Membership Inference Attacks Against Tabular Generative Models
von: Ward, Joshua, et al.
Veröffentlicht: (2025)

Instruction Backdoor Attacks Against Customized LLMs
von: Zhang, Rui, et al.
Veröffentlicht: (2024)

Unlearning Inversion Attacks for Graph Neural Networks
von: Zhang, Jiahao, et al.
Veröffentlicht: (2025)

Adaptive Attacks Break Defenses Against Indirect Prompt Injection Attacks on LLM Agents
von: Zhan, Qiusi, et al.
Veröffentlicht: (2025)

Distributional Black-Box Model Inversion Attack with Multi-Agent Reinforcement Learning
von: Bao, Huan, et al.
Veröffentlicht: (2024)

Rethinking Membership Inference Attacks Against Transfer Learning
von: Wu, Cong, et al.
Veröffentlicht: (2025)

BadMerging: Backdoor Attacks Against Model Merging
von: Zhang, Jinghuai, et al.
Veröffentlicht: (2024)

Voice Jailbreak Attacks Against GPT-4o
von: Shen, Xinyue, et al.
Veröffentlicht: (2024)

Secure Aggregation is Not Private Against Membership Inference Attacks
von: Ngo, Khac-Hoang, et al.
Veröffentlicht: (2024)

Lost in the Averages: A New Specific Setup to Evaluate Membership Inference Attacks Against Machine Learning Models
von: Krčo, Nataša, et al.
Veröffentlicht: (2024)

Defending Against Sophisticated Poisoning Attacks with RL-based Aggregation in Federated Learning
von: Wang, Yujing, et al.
Veröffentlicht: (2024)

FedBaF: Federated Learning Aggregation Biased by a Foundation Model
von: Park, Jong-Ik, et al.
Veröffentlicht: (2024)

SecureLearn -- An Attack-agnostic Defense for Multiclass Machine Learning Against Data Poisoning Attacks
von: Paracha, Anum, et al.
Veröffentlicht: (2025)

Constrained Adaptive Attack: Effective Adversarial Attack Against Deep Neural Networks for Tabular Data
von: Simonetto, Thibault, et al.
Veröffentlicht: (2024)

HashVFL: Defending Against Data Reconstruction Attacks in Vertical Federated Learning
von: Qiu, Pengyu, et al.
Veröffentlicht: (2022)

Refiner: Data Refining against Gradient Leakage Attacks in Federated Learning
von: Fan, Mingyuan, et al.
Veröffentlicht: (2022)

Gradient-Free Privacy Leakage in Federated Language Models through Selective Weight Tampering
von: Rashid, Md Rafi Ur, et al.
Veröffentlicht: (2023)