联邦学习中的安全、隐私和公平的链接:新的平衡和新的视角
本文对联邦学习中的隐私和公平问题进行了文献综述,重点阐述了联邦环境下面临的独特挑战和解决方案,系统梳理了隐私和公平之间的不同交互作用,并提出了公平和隐私联邦学习的新研究方向。
Jun, 2023
分布式学习中的公平性在医疗保健领域中的实现和支持带来了一些挑战和考虑因素,本文旨在概述公平联邦学习的典型生命周期,并提供一个更新的分类方法以反映当前实现中的公平性状态。
Aug, 2023
联邦学习是一种有前景的在不同方参与者之间保护隐私的合作范例,本文系统地概述了对联邦学习的重要和最新研究进展,包括研究历史、术语定义、泛化、鲁棒性和公平性等方面,并提出了进一步研究的机会和公开问题。
Nov, 2023
为了提高联邦学习系统的公平性,本研究使用了公平度量指标构建本地公平模型,并提出了一种隐私保护的公平联邦学习方法。实验结果表明,隐私保护提高了公平模型的准确性,但在隐私、公平和实用性之间存在权衡。
Nov, 2023
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
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
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