本文提出并研究了针对交互式联邦学习（Interaction-based Federated Learning）的隐私重构攻击方法，命名为RAIFLE。联邦学习旨在通过不共享原始数据、仅交换模型参数或梯度来保护用户隐私，但近年来已有研究表明，攻击者可以从模型更新中推断或重建用户的训练数据。然而，现有重构攻击大多针对传统联邦学习或集中式训练场景，对交互式联邦学习（如基于对话、推荐或协同过滤的联合训练）中的隐私风险关注不足。本文的核心研究问题是：在交互式联邦学习框架下，恶意服务器或攻击者能否通过操纵交互数据、利用用户模型更新的特性，重构出用户的敏感输入或个人信息？为此，作者提出了一种结合对抗性数据操纵的通用攻击框架RAIFLE，其核心思想是：攻击者控制服务端的交互接口，向目标用户发送精心构造的恶意输入，诱使用户模型产生包含更多用户私有信息的梯度更新；随后攻击者基于这些更新进行迭代优化，逐步恢复出用户的原始训练数据或交互内容。该框架不依赖于对目标模型结构和参数的先验知识，具有较强的黑盒适用性，并可通过调整操纵策略适配多种交互建模方式（如矩阵分解、深度神经网络等）。实验部分，作者在多个公开数据集（如电影评分、文本偏好等）和多种联邦学习配置下验证了RAIFLE的有效性，结果显示其重构精度显著优于基线方法，且能突破部分现有防御机制。此外，论文还分析了影响攻击成功率的关键因素，包括交互次数、操纵强度、用户数据分布等，并讨论了潜在的防御方向，如输入差分隐私、交互噪声注入、恶意输入检测等。总体而言，这项工作揭示了交互式联邦学习中一类尚未被充分重视的隐私威胁，对设计安全联邦学习系统具有重要警示意义。适合关注联邦学习隐私保护、对抗机器学习和数据安全的科研人员、安全工程师以及隐私合规从业者阅读。