Jan, 2024
分散联邦学习：安全与隐私的综述
Decentralized Federated Learning: A Survey on Security and Privacy
Ehsan Hallaji, Roozbeh Razavi-Far, Mehrdad Saif, Boyu Wang, Qiang Yang
TL;DR去中心化联邦学习中的威胁变体、对手、潜在的防御机制、可信度和可验证性的研究。
Abstract
federated learning has been rapidly evolving and gaining popularity in recent
years due to its privacy-preserving features, among other advantages.
Nevertheless, the exchange of →
federated learningprivacy-preserving featuresdecentralized federated learningmodel updatesprivacy threats
发现论文，激发创造
联邦学习的安全与隐私问题
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
针对联邦学习的威胁调查：攻击和防御的概念、分类法、实验研究和挑战
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
联邦学习：在数据智能和隐私之间取得平衡
本文提供了一种系统的概述和分类，涵盖了联邦学习的现有安全挑战以及针对数据污染，推断攻击和模型毒化攻击的防御技术。此外，还探讨了处理非独立同分布数据、高维度问题和异构架构的联邦学习的当前训练挑战，并提出了解决相关挑战的几种解决方案。最后，我们讨论了联邦学习训练中剩余的挑战，并提出了针对开放问题的研究方向建议。
Apr, 2022
联邦学习系统调查：数据隐私和保护的愿景、炒作和现实
本文综述了联邦学习系统的定义、系统构成和分类，旨在为未来的研究提供参考，通过对现有联邦学习系统的系统总结，提出了设计因素、案例研究和未来研究机会。
Jul, 2019