安全去中心化优化与学习综述

去中心化优化已成为解决大规模决策问题和训练大型机器学习模型而无需集中数据的一种标准范式。然而，这一范式引入了新的隐私和安全风险，恶意代理可能能够推断私有数据或损害模型准确性。在过去十年中，在开发安全去中心化优化和学习框架与算法方面取得了重大进展。本综述为这些进展提供了全面的教程。我们从去中心化优化和学习的基础开始，突出集中式聚合和分布式共识作为在联邦优化和分布式优化中分别暴露于安全风险的关键模块。接下来，我们聚焦于隐私保护算法，详细介绍了三种密码学工具及其在去中心化优化和学习系统中的集成。此外，我们研究了弹性算法，探索支持这些系统的弹性聚合和共识协议的设计与分析。我们以讨论当前趋势和潜在未来方向作为综述的结尾。