联邦深度学习隐私攻击与防御策略综述

随着对数据隐私的关注与立法不断增加，协作式机器学习（ML）算法正被开发以确保用于处理的数据之隐私保护。联邦学习（FL）是其中最流行的方法，它通过促进共享模型的协作训练而无需与中心服务器交换任何私有数据来提供隐私保护。相反，发送的是以机器学习模型更新形式呈现的数据抽象。近期研究表明，此类模型更新仍很可能泄露隐私信息，因此需要更有结构的风险评估。本文中，我们分析FL的现有漏洞，随后对针对FL隐私保护能力的可能的攻击方法进行文献综述。这些攻击方法按一个基础分类法加以归类。此外，我们针对旨在克服这些攻击的最新防御策略与算法进行了文献研究。这些防御策略按其各自的底层防御原理归类。本文得出结论：单一防御策略的应用不足以对所有可用攻击方法提供充分保护。