合作机器学习允许参与者在保护私人训练数据的同时，共同训练一个机器学习模型。研究人员提出使用强大的聚合器来过滤可能危及训练过程的恶意贡献，但我们的研究表明现有的强大的聚合器无法实现其目标，因为它们要么使用无法准确识别恶意更新的基于距离的指标，要么提出的方法与参与者从其他人那里学习的能力相冲突，因此无法排除操纵的风险。

Feb, 2024

本文提出了一种使用集成学习做到在联邦学习中抵抗恶意攻击的方法，它使用多个模型进行多数表决确定预测结果，测试表明该方法可以在受到最多 20 个恶意客户端攻击时在 MNIST 数据集上获得 88％的可靠准确度。

Feb, 2021

本文提出了一种新的防御方案，使用客户端交叉验证检测异常更新，以便在进行聚合时调整更新的权重，从而检测可分布式、具有保障隐私的有毒更新，实验证明其显著抵御两种代表性中毒攻击。

Oct, 2019

通过将无服务器计算与点对点网络相结合，提出了一种在资源限制下实现高效并行梯度计算的新型架构，相比传统的点对点分布式训练方法，在梯度计算时间上取得了显著提升，同时也引入了更高的成本。

Sep, 2023

本文提出了一种高效的分散式（点对点）和异步算法来解决个性化模型的学习，同时满足强隐私要求，并证明了它的收敛速率。我们展示了如何使算法往常差异保持私密以保护个人数据集的信息披露，并正式分析了效用和隐私之间的权衡。实验结果表明，在非私密约束下，我们的方法大大优于以前的工作，在隐私约束下，我们可以显著改进在独立学习中得到的模型。

May, 2017

本文提出了一个新的框架，通过使用一个强大的检测模型，中央服务器可以学习来检测和移除恶意模型更新，从而实现有针对性的防御，以确保对拜占庭攻击和有针对性的模型毒化攻击具有鲁棒性的联合学习。

Feb, 2020

本文介绍了一种分布式基础设施，用于实现分布式代理之间的点对点信任，从而协同执行保护隐私的机器学习工作流程。使用 Hyperledger Aries，Decentralised Identifiers (DIDs) 和 Verifiable Credentials (VCs) 建立了一个分布式信任体系，促进与心理健康护理相关的联邦学习工作流程。

Jun, 2020

在去中心化环境中，有效协作是一个不太被探索的领域。为了解决这个问题，我们引入了模型不可知的点对点学习（简称 MAPL），通过邻近客户之间的点对点通信，同时学习异构个人化模型和协作图。我们的实验证明了 MAPL 的有效性以及与集中式无模型对应方法的竞争性（甚至是卓越）性能，而不依赖于任何中央服务器。

Mar, 2024

SecureDL 是一种新颖的分布式机器学习协议，通过安全多方计算保护客户端模型更新的隐私，提高对拜占庭威胁的安全性和隐私保护。该协议使用余弦相似度的有效计算和更新的归一化来稳健地检测和排除对模型收敛有害的模型更新，并在多种拜占庭攻击中表现出很高的有效性，并保持较高的训练准确性。

Apr, 2024

提出了一种面向资源受限设备的分散协作机器学习框架，使用了基于原型的增量学习算法、基于随机的模型交换协议以及用于预测和原型创建的两种算法。与典型的集中式增量学习方法相比，在准确性、训练时间和鲁棒性方面取得了非常有前景的结果。

Dec, 2023