Buchumschlag

GUIDE: Enhancing Gradient Inversion Attacks in Federated Learning with Denoising Models

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Carletti, Vincenzo, Foggia, Pasquale, Mazzocca, Carlo, Parrella, Giuseppe, Vento, Mario
Format:	Preprint
Veröffentlicht:	2025
Schlagworte:	Cryptography and Security Artificial Intelligence
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Federated Learning under Attack: Improving Gradient Inversion for Batch of Images
von: Leite, Luiz, et al.
Veröffentlicht: (2024)

Exploring the Vulnerabilities of Federated Learning: A Deep Dive into Gradient Inversion Attacks
von: Guo, Pengxin, et al.
Veröffentlicht: (2025)

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

Dealing Doubt: Unveiling Threat Models in Gradient Inversion Attacks under Federated Learning, A Survey and Taxonomy
von: Shi, Yichuan, et al.
Veröffentlicht: (2024)

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

Model Inversion Attack against Federated Unlearning
von: Zhou, Lei, et al.
Veröffentlicht: (2025)

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

SoK: Security and Privacy of AI Agents for Blockchain
von: Romandini, Nicolò, et al.
Veröffentlicht: (2025)

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

Rethinking Model Inversion Attacks With Patch-Wise Reconstruction
von: Jang, Jonggyu, et al.
Veröffentlicht: (2023)

Dual Defense: Enhancing Privacy and Mitigating Poisoning Attacks in Federated Learning
von: Xu, Runhua, et al.
Veröffentlicht: (2025)

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

FedCC: Robust Federated Learning against Model Poisoning Attacks
von: Jeong, Hyejun, et al.
Veröffentlicht: (2022)

SoK: On Gradient Leakage in Federated Learning
von: Du, Jiacheng, et al.
Veröffentlicht: (2024)

FedSecurity: Benchmarking Attacks and Defenses in Federated Learning and Federated LLMs
von: Han, Shanshan, et al.
Veröffentlicht: (2023)

Enhancing Privacy of Spatiotemporal Federated Learning against Gradient Inversion Attacks
von: Zheng, Lele, et al.
Veröffentlicht: (2024)

When and Where do Data Poisons Attack Textual Inversion?
von: Styborski, Jeremy, et al.
Veröffentlicht: (2025)

Concept-Aware Privacy Mechanisms for Defending Embedding Inversion Attacks
von: Tsai, Yu-Che, et al.
Veröffentlicht: (2026)

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

Privacy Attack in Federated Learning is Not Easy: An Experimental Study
von: Zhu, Hangyu, et al.
Veröffentlicht: (2024)

OASIS: Offsetting Active Reconstruction Attacks in Federated Learning
von: Jeter, Tre' R., et al.
Veröffentlicht: (2023)

Robust Knowledge Distillation in Federated Learning: Counteracting Backdoor Attacks
von: Alharbi, Ebtisaam, et al.
Veröffentlicht: (2025)

Differential Privacy in Federated Learning: Mitigating Inference Attacks with Randomized Response
von: Ozturk, Ozer, et al.
Veröffentlicht: (2025)

FIDELIS: Blockchain-Enabled Protection Against Poisoning Attacks in Federated Learning
von: Carney, Jane, et al.
Veröffentlicht: (2025)

Precision Guided Approach to Mitigate Data Poisoning Attacks in Federated Learning
von: Kumar, K Naveen, et al.
Veröffentlicht: (2024)

Enhancing IoT Security Against DDoS Attacks through Federated Learning
von: Shirvani, Ghazaleh, et al.
Veröffentlicht: (2024)

Breaking Secure Aggregation: Label Leakage from Aggregated Gradients in Federated Learning
von: Wang, Zhibo, et al.
Veröffentlicht: (2024)

Deciphering the Interplay between Attack and Protection Complexity in Privacy-Preserving Federated Learning
von: Zhang, Xiaojin, et al.
Veröffentlicht: (2025)

Local Model Reconstruction Attacks in Federated Learning and their Uses
von: Driouich, Ilias, et al.
Veröffentlicht: (2022)

Behavior-Aware and Generalizable Defense Against Black-Box Adversarial Attacks for ML-Based IDS
von: Ennaji, Sabrine, et al.
Veröffentlicht: (2025)

VTarbel: Targeted Label Attack with Minimal Knowledge on Detector-enhanced Vertical Federated Learning
von: Tan, Juntao, et al.
Veröffentlicht: (2025)

Subject Data Auditing via Source Inference Attack in Cross-Silo Federated Learning
von: Li, Jiaxin, et al.
Veröffentlicht: (2024)

Unraveling the Connections between Privacy and Certified Robustness in Federated Learning Against Poisoning Attacks
von: Xie, Chulin, et al.
Veröffentlicht: (2022)

Theoretically Unmasking Inference Attacks Against LDP-Protected Clients in Federated Vision Models
von: Nguyen, Quan, et al.
Veröffentlicht: (2025)

PEFT-as-an-Attack! Jailbreaking Language Models during Federated Parameter-Efficient Fine-Tuning
von: Li, Shenghui, et al.
Veröffentlicht: (2024)

MedHE: Communication-Efficient Privacy-Preserving Federated Learning with Adaptive Gradient Sparsification for Healthcare
von: Yesmin, Farjana
Veröffentlicht: (2025)

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

Fuse and Federate: Enhancing EV Charging Station Security with Multimodal Fusion and Federated Learning
von: Rahal, Rabah, et al.
Veröffentlicht: (2025)

SAB:A Stealing and Robust Backdoor Attack based on Steganographic Algorithm against Federated Learning
von: Xu, Weida, et al.
Veröffentlicht: (2024)

FedRW: Efficient Privacy-Preserving Data Reweighting for Enhancing Federated Learning of Language Models
von: Ye, Pukang, et al.
Veröffentlicht: (2025)