联邦学习与迁移学习：关于对抗攻击与防御机制的综述
机器学习
2022-10-04 v1 人工智能
密码学与安全
计算机视觉与模式识别
分布式、并行与集群计算
摘要
联邦学习的出现促进了机器学习模型间的大规模数据交换，同时维护了隐私。尽管历史短暂，联邦学习正快速发展以使更广泛的应用更加切实可行。该领域最重要的进展之一是将迁移学习引入联邦学习，这克服了初级联邦学习的基本限制，尤其在安全性方面。本章从安全视角对联邦学习与迁移学习的交叉领域进行了全面综述。本研究的主要目标是揭示可能损害使用联邦学习与迁移学习的系统之隐私与性能的潜在漏洞及防御机制。
引用
@article{arxiv.2207.02337,
title = {Federated and Transfer Learning: A Survey on Adversaries and Defense Mechanisms},
author = {Ehsan Hallaji and Roozbeh Razavi-Far and Mehrdad Saif},
journal= {arXiv preprint arXiv:2207.02337},
year = {2022}
}
备注
Accepted for publication in edited book titled "Federated and Transfer Learning", Springer, Cham