联邦生成模型系统综述
机器学习
2024-05-28 v1 计算与语言
密码学与安全
摘要
联邦学习 (FL) 作为分布式系统的一种解决方案而出现，它允许客户端在其数据上训练模型，并且仅共享模型而非本地数据。生成模型旨在学习数据集的分布并生成与原始数据相似的新数据样本。许多先前的工作尝试提出联邦生成模型。将联邦学习与生成模型结合使用可能容易受到攻击，且设计最优架构仍具挑战性。本综述通过全面回顾 2019 年至 2024 年间进行的研究，涵盖了 FL 与生成模型交叉领域日益增长的兴趣。我们系统地比较了近 100 篇论文，重点关注其 FL 和生成模型方法及隐私考量。为了使该领域对新来者更易入门，我们重点介绍了最先进的进展并指出了未解决的挑战，为这一不断发展领域的未来研究提供了见解。
引用
@article{arxiv.2405.16682,
title = {A Systematic Review of Federated Generative Models},
author = {Ashkan Vedadi Gargary and Emiliano De Cristofaro},
journal= {arXiv preprint arXiv:2405.16682},
year = {2024}
}
备注
24 Pages, 3 Figures, 5 Tables