差分隐私联邦学习：系统性综述

近年来，机器学习中的隐私和安全问题将可信联邦学习推向了研究前沿。由于其严格的数学基础和可证明的保证，差分隐私已成为联邦学习中隐私保护的事实标准。尽管对在联邦学习中结合差分隐私的算法进行了广泛研究，但在对这些研究进行分类和综合的系统性综述方面仍存在明显不足。我们的工作对差分隐私联邦学习进行了系统性概述。现有的分类法没有充分考虑联邦学习中各种差分隐私模型所提供的保护对象和隐私保护级别。为了弥补这一空白，我们基于各种差分隐私模型的定义和保证以及联邦场景，提出了一种新的差分隐私联邦学习分类法。我们的分类法能够清晰界定各种差分隐私模型在联邦学习环境中的保护对象及其各自的邻域级别。此外，我们探讨了差分隐私在联邦学习场景中的应用。我们的工作为隐私保护的联邦学习提供了有价值的见解，并为未来的研究提出了实际方向。