鲁棒且隐私保护的协作学习：综合性综述
密码学与安全
2021-12-21 v1
摘要
随着深度学习系统对数据与计算资源的快速增长需求，越来越多的算法利用协作机器学习技术（例如联邦学习）在多个参与方之间训练共享深度模型。它能有效利用各参与方的资源并获得更强大的学习系统。然而，此类系统中的完整性与隐私威胁极大阻碍了协作学习的应用。已有大量工作针对不同的协作学习系统，提出在训练阶段维护模型完整性并缓解训练数据的隐私泄露。与现有主要聚焦于某一特定协作学习系统的综述相比，本综述旨在对协作学习中的安全与隐私研究提供系统且全面的回顾。我们的综述首先给出协作学习的系统概览，随后简要介绍完整性与隐私威胁。我们以有条理的方式详细阐述了现有的完整性与隐私攻击及其防御。我们还列出了该领域的一些开放问题，并在 GitHub 上开源了相关论文：https://github.com/csl-cqu/awesome-secure-collebrative-learning-papers。
引用
@article{arxiv.2112.10183,
title = {Robust and Privacy-Preserving Collaborative Learning: A Comprehensive Survey},
author = {Shangwei Guo and Xu Zhang and Fei Yang and Tianwei Zhang and Yan Gan and Tao Xiang and Yang Liu},
journal= {arXiv preprint arXiv:2112.10183},
year = {2021}
}