在这篇综述性论文中,作者重点介绍基于联邦学习的系统在应对恶意攻击、保障隐私方面所面临的问题,特别关注如何提高系统鲁棒性和隐私保护措施。
Dec, 2020
本文提供了一种简洁的介绍联邦学习的概念,并使用一个唯一的分类法来涵盖针对联邦学习的威胁模型和两个主要的攻击方法:1) 污染攻击和 2) 推理攻击,探讨了向更强大的隐私保护方向发展的有前途的未来研究方向.
Mar, 2020
深度学习和联邦学习是当前研究的重点,其中涉及隐私保护技术、隐私攻击以及隐私法规的探讨。
May, 2024
分布式学习中的联邦学习存在安全和隐私挑战,本研究针对各类机器学习模型,包括大型语言模型,提出了安全和隐私挑战的综合分类,重点关注聚合器和参与者的攻击,包括投毒攻击、后门攻击、成员推断攻击、生成对抗网络攻击和差分隐私攻击,同时提出了未来研究的新方向,旨在强化联邦学习系统以应对新兴安全风险并保护分布式学习环境中的敏感数据隐私。
Jul, 2023
通过对攻击 FL 的 48 篇相关文章进行系统性的映射研究,我们提供了对所提出的攻击及其评估设置的定量分析。在此基础上,我们揭示了几个关于目标 ML 模型类型、架构和数据分布的研究空白,并提出了一些推荐以避免评估中存在的偏差并促进充分的评估。
Nov, 2021
在机器学习系统中,通过联邦学习作为一个安全的分布式机器学习方法,有效提升隐私安全;它利用区块链技术将机器学习模型转移到边缘服务器,通过这种机制保证了集中式和分散式系统的高效处理和数据存储需求,强调可伸缩性、隐私考虑和成本有效的通信。本文对最近的联邦学习应用进行了分析和比较,以评估其效率、准确性和隐私保护。然而,鉴于联邦学习复杂且不断演化的特点,明确需要进一步研究来解决知识间的差距并有效应对该领域面临的挑战。在本文中,我们将最近的文献分为以下几个类别:隐私保护、资源分配、案例研究分析和应用,此外,在每个章节的末尾,我们还对参考文献中提出的开放领域和未来方向进行了总结,为研究人员提供了领域演进的深入视角。
Oct, 2023
本文对联邦学习的隐私保护问题进行了广泛的研究和探讨,提出了对应的防御方法并对防御方法的选择提出了指导建议,研究得出了关于攻击和防御行为的进一步结论以及面临的挑战和经验教训。
Jan, 2022
本文详细阐述了联邦学习的体系结构、应用问题、算法设计原则和安全问题,提出了一种更加通用的算法设计框架、攻击场景和防御方法,致力于将联邦学习与真实世界应用相集成并实现高性能、隐私保护和安全性。
Feb, 2023
去中心化联邦学习解决方案的综述,包括现有的方法和未来的研究方向。
Aug, 2023
通过模拟结果,本文分析了联邦学习中的隐私和安全问题并提出了保护数据隐私的挑战。
Sep, 2019