机构名称：
¥ 1.0
联邦学习 (FL) 允许服务器跨多个分散的客户端学习机器学习 (ML) 模型，这些客户端私密地存储自己的训练数据。与集中式 ML 方法相比，FL 将计算保存到服务器，并且不需要客户端将其私有数据外包给服务器。然而，FL 并非没有问题。一方面，客户端在每个训练阶段发送的模型更新可能会泄露有关客户端私有数据的信息。另一方面，服务器学习到的模型可能会受到恶意客户端的攻击；这些安全攻击可能会毒害模型或阻止其收敛。在本文中，我们首先研究针对 FL 的安全和隐私攻击，并严格调查文献中提出的缓解每种攻击的解决方案。之后，我们讨论了同时实现安全和隐私保护的难度。最后，我们概述了解决这个悬而未决的问题并同时实现安全和隐私的方法。
在联邦学习系统中实现安全性和隐私性
主要关键词
相关文件推荐
