摘要
本发明涉及信息安全技术领域，特别涉及一种基于标签偏好推理的图联邦学习隐私审计方法。包括步骤：S1.服务器利用辅助数据集训练攻击模型；S2.进行第t轮训练，上传本地模型；S3.服务器计算每个客户端的模型敏感性；S4.根据S3计算结果，服务器执行聚合；S5.服务器分别发送聚合模型；S6.进行第t+1轮训练，上传本地模型；S7.计算目标客户端第t+1轮的模型敏感性；S8.服务器基于S4和S7的聚合模型，计算模型敏感性；计算两个模型的敏感性差异DMS；S9.将DMS输入攻击模型后，推理得到目标客户端的标签偏好。本发明不仅可显著提升标签推理准确率，还作为一种有效的隐私审计机制，对FGL系统中潜在的隐私泄露风险进行量化评估。
