zkFL 使用零知识证明和区块链处理恶意聚合器问题，提高安全性和隐私性。

Oct, 2023

提出了一个可验证的分散式联邦学习系统，结合区块链和零知识证明，可以在工作者之间验证本地学习和全局聚合的计算完整性。通过引入两步证明和验证的方法，实现了数据和计算的端到端完整性和真实性验证，解决了机密性和透明性之间的冲突。在一个原型实现上的评估表明，与最先进的解决方案相比，技术上是可行的，并且只有较小的性能开销。

Apr, 2024

基于零知识证明的聚合器 (zkDFL) 使用区块链技术管理聚合算法，以验证进程正确性、增强隐私保护和可扩展性，同时显著降低了燃气成本。

Dec, 2023

本论文提出了一种基于加密签名的联邦学习模型所有权验证方案 FedSOV，该方案不仅支持大量客户端，而且能有效预防模糊攻击，经过计算机视觉和自然语言处理任务实验的验证，该方案具有可证明的加密安全性。

May, 2023

我们提出了一种新颖且高效的解决方案 RiseFL，用于安全和可验证的数据协作，同时确保输入的隐私和完整性。

Nov, 2023

本研究提出了 FedTracker—— 第一个 FL 模型保护框架，其采用全局水印和本地指纹分别验证全局模型的所有权以及追溯模型背后的罪犯。结果表明，FedTracker 在验证、追溯、保真度和鲁棒性方面是有效的。

Nov, 2022

该论文介绍了一种先进的异常检测方法，针对联邦学习系统中的恶意客户端进行攻击检测和防御操作，并借助零知识证明机制来确保服务器上诚实执行的性能优越性。

Oct, 2023

人工智能技术进展迅速，机器学习模型的使用逐渐成为我们日常生活的一部分。这篇论文提供了一份对基于零知识证明的可验证机器学习（ZKP-VML）技术的综合调查报告，分析了不同机器学习场景中可能存在的可验证性问题，并通过详细分析和分类现有工作的技术方法，讨论了 ZKP-VML 领域面临的关键挑战和未来方向。

Oct, 2023

提出了基于模型指纹的 FedRight 方法，用于解决分散式机器学习框架中版权保护问题。该方法通过生成对抗性示例提取模型特征，检测器可通过训练神经网络来验证模型的版权。大量测试表明，FedRight 在模型的保密性、稳定性、适用性方面表现优异。

Mar, 2023

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