本文设计了一种新的通信有效的安全聚合协议，适用于在移动设备上跨用户训练数据使用分布式随机梯度下降算法进行联邦学习模型的训练，从而保护每个用户的模型梯度，并且在大规模的高维数据上具有较好的性能表现。

Nov, 2016

我们提出了一种异步联邦学习算法，通过减少通信次数来降低等待时间和整体网络通信，在强凸目标函数上提供了严格的理论分析并提供了模拟结果。通过添加高斯噪声，我们展示了我们的算法如何变得不同 ially private - 新的定理表明，聚合的高斯噪声显着降低了。

Jul, 2020

该论文提出了一个在混淆模型下更高效的隐私安全的聚合协议，可以使得通信量和误差只呈对数级增长，并且采用了一个称为 ' 隐身斗篷 ' 的新技术来实现此目的，该技术可以使得每个数据项与噪声几乎不可区分，同时对总和不会造成任何扭曲。

Jun, 2019

通过聚合模型更新，掌握联邦学习中的用户隐私信息可能存在风险，破坏了联邦学习的数据安全，研究展示了一种攻击方法，通过聚合的模型更新重建用户和其私有训练数据之间的联系，属于一种细致入微、平行操作并具有较高灵敏度的推断攻击。

Jun, 2021

在受信任的聚合器模型中，通过在客户端使用基于减法抖动的量化方案，我们提出了一种既能保护隐私又能确保高效通信的解决方案，实现了两个目标的同时。我们证明了这种方案在复制聚合器中常规噪声添加过程方面的有效性。这意味着与传输完整精度梯度并使用中心噪声添加相比，我们可以确保相同级别的差分隐私，并大幅减少所需的通信量。我们还通过实验证明了我们提出的方法与完整精度梯度方法的准确性相当。

Sep, 2023

本文提出了一种基于稀疏随机投影的线性方案，用于训练具有分布式差分隐私的 $d$ 维模型，以保证训练轮次中服务器只看到 $n$ 个模型更新的带噪声和，并评估了这种方案的通信成本。在真实的隐私设置中，该方法可以在不降低测试性能的情况下显著减少通信成本。

Mar, 2022

这篇研究论文讨论了在保护用户数据隐私的同时，使用联邦学习和安全聚合对移动设备进行机器学习的方法。其中利用随机旋转和安全聚合技术，使得用户的模型更新能够更有效地量化和保护，从而提高联邦学习的效率和安全。

Nov, 2019

本文研究了在联合学习中，如果服务端是恶意的但试图获得私人数据，会面临什么样的安全聚合漏洞，并提供了一种进一步防御此类恶意服务器的方法，并展示了防御针对已知攻击的有效性。

Nov, 2022

本文提出了一种新颖的随机量化方法，利用混合几何分布引入所需的随机性，以提供差分隐私，而不引入任何附加噪声，并通过收敛分析和实证研究了该方法的性能。

Dec, 2023

本文研究了分布式估计和学习问题。利用线性聚合方案和调整的随机化方案，通过交换信息，聚合数据并在保护个体隐私的前提下估计未知特征值。通过对一些例子的验证，证明该算法的高效性和性能保障。

Jun, 2023