物联网隐私保护机器学习：跨范式综述与未来路线图

互联网物联网的快速普及加剧了对强大的隐私保护机器学习机制的需求，以保护来自大规模、异构且资源受限设备生成的敏感数据。不同于集中式环境，物联网生态系统本质上是去中心化的、带宽受限的且对延迟敏感的，这在感知、通信与分布式训练管道中暴露了隐私风险。这些特征使传统的匿名化和集中式保护策略对于实际部署不够。本综述提供了面向物联网的、跨范式的全面分析。我们引入的结构化分类体系涵盖基于扰动的机制，如差分隐私；基于分布式范式的方法，如联邦学习；基于加密技术的方案，包括同态加密与安全多方计算；以及基于生成式对抗网络的生成合成技术。对于每一范式，我们检讨形式隐私保证、计算与通信复杂度、异构设备参与下的可扩展性，以及抵御成员推断、模型反演、梯度泄露与对抗操纵等威胁的韧性。我们进一步分析无线物联网环境中的部署约束，突出显示隐私、通信开销、模型收敛与系统效率在下一代移动架构中的权衡。我们还整合了评估方法ology，概述了代表性数据集与开源框架，并确定开展挑战，包括混合隐私集成、能源感知学习、隐私保护大型语言模型与量子抗机器学习。