该论文研究了健身追踪社交网络（如Strava）中端点隐私区域（Endpoint Privacy Zones）的安全性问题。这些隐私区域本应隐藏用户家庭或工作地点的精确位置，但研究发现攻击者可以通过公开的健身活动数据（如跑步轨迹、时间戳）进行推理攻击，从而绕过保护机制。论文提出了一种基于区域密度和轨迹分析的方法，能够以高成功率推断出被隐藏的端点位置。实验在真实数据集上进行，验证了攻击的有效性，并揭示了现有隐私保护措施的不足。该工作揭示了位置社交网络中隐私保护的漏洞，并为改进设计提供了方向。

该论文聚焦于联邦学习（FL）中的隐私保护问题。联邦学习作为一种分布式机器学习范式，允许多个客户端在不共享原始数据的前提下，通过聚合服务器联合训练全局模型。然而，现有研究表明，恶意聚合服务器可能通过客户端上传的模型更新发起推理攻击，窃取客户端的隐私信息。安全聚合（Secure Aggregation）技术旨在让聚合服务器仅能获取更新之和或平均值，从而保护个体更新。但现有的安全聚合协议存在通信开销大、计算复杂、轮次过多等缺陷。本文提出SAFELearn，一个通用的高效隐私联邦学习系统设计，专门抵御针对个体模型更新的推理攻击。其核心思想是结合安全多方计算（MPC）或全同态加密（FHE）技术，在不依赖可信第三方的前提下，实现仅两轮通信的聚合，且客户端无需执行昂贵的密码操作，同时支持客户端掉线处理。作者基于两方安全计算实例化该系统，并在实验中证明：聚合500个参数超过30万的模型，耗时不到0.5秒。总体来说，SAFELearn在保证隐私性的同时，大幅提升了联邦学习中安全聚合的效率与实用性。

本文针对基于查询的系统（如数据库、机器学习API）中的属性推断攻击，提出了一种自动化发现方法QuerySnout。属性推断攻击是指攻击者通过向系统发送一系列精心设计的查询，推断出目标用户的敏感属性（如年龄、性别、疾病等），这对用户隐私构成严重威胁。现有攻击方法通常依赖人工设计查询策略，效率低且难以覆盖所有可能攻击面。QuerySnout创新性地引入强化学习框架，自动学习最优查询序列以最大化推断准确率。该方法将攻击建模为一个马尔可夫决策过程，其中状态为已获取的部分信息，动作为选择下一个查询，奖励为推断信息的增益。通过深度Q网络等算法，QuerySnout能够在黑盒场景下高效探索查询空间。实验在多个真实数据集（如医疗记录、社交网络）和查询系统（如统计数据库、分类模型API）上进行，结果表明QuerySnout发现攻击的成功率显著高于手动基线方法，且能发现未知攻击模式。文章还分析了该攻击对差分隐私等防御机制的有效性影响，指出即使添加噪声，攻击仍可能通过查询组合绕过。主要贡献包括：（1）首次提出自动化属性推断攻击框架；（2）验证强化学习在此场景的可行性；（3）提供开源工具供社区研究。本文适合隐私保护、安全审计和AI系统安全的研究者阅读。