Scale-MIA：通过潜在空间重建攻击安全联邦学习的可扩展模型反演攻击

基于摘要分析。该研究关注联邦学习中的数据隐私：即使使用安全聚合（SA）协议，恶意参数服务器是否仍能从聚合模型更新中重建参与者的本地训练样本。作者提出 Scale-MIA，将模型反演攻击（MIA）分为潜在空间表示重建和生成解码两个阶段，以降低逐批迭代优化的计算负担。 机制上，Scale-MIA 利用模型内部结构，通过专门构造的线性层，以闭式反演机制从聚合更新中恢复潜在空间表示（LSRs），再将这些表示输入经过微调的生成解码器，重建整个输入批次。摘要将其与两类既有攻击对照：计算密集的迭代优化方法，以及在全局模型前添加额外模块、因而较显眼的攻击方法。不过，服务器具体需要哪些模型修改权限、闭式反演成立的条件，以及解码器微调所需的数据与监督信息，尚未验证。 作者报告，在常用机器学习模型及不同数据集、设置上的实验中，Scale-MIA 相比现有先进 MIA 具有更好的规模化重建能力、重建准确性和攻击效率。摘要未提供模型与数据集名称、样本规模、指标定义或具体数值，因此不能量化这些优势。作者提供了代码链接，但实现细节、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其对 EEG/BCI 的潜在意义是联邦训练的隐私风险评估，而非解码性能提升。假设 EEG 模型包含可被该机制利用的潜在表示与线性层，聚合更新也可能暴露训练信号；可复用的是潜在表示反演思路，生成解码器则需适配多通道时序结构。低信噪比、跨被试差异、通道配置变化和小数据条件可能使解码器重建失真，也可能产生外观合理但不对应真实样本的输出。一个可检验的小实验是在明确服务器权限与安全聚合设置下，用获授权的 EEG 数据比较恢复表示与最终波形的真实性，并核对跨被试泛化。已有 EEG 相关攻击工作尚未检索确认，原论文结果不构成 BCI 场景有效性的证据。