联邦学习生命周期中的威胁与防御：综合综述与挑战
分布式、并行与集群计算
2025-06-24 v2 人工智能
摘要
联邦学习 (FL) 为隐私保护的协作机器学习 (ML) 提供了创新解决方案。尽管其前景广阔，但由于其分布式特性，FL 面临各种攻击，这些攻击可能影响整个 FL 服务生命周期。这些威胁可能直接或间接损害模型实用性或损害参与者隐私。应对方法是提出诸多防御框架，这些框架在特定设置和场景中表现出有效性。为了提供对当前研究格局的清晰理解，本文综述了 FL 服务生命周期中最具代表性和最新颖的威胁与防御框架。我们首先确定损害实用性和隐私的 FL 威胁，包括潜在或直接影响的威胁。随后，我们深入探讨防御框架，分析威胁与防御之间的关系，并比较不同防御策略之间的权衡。最后，我们总结当前研究瓶颈，并提供对未来研究方向的见解以结束本综述。我们希望本综述为可信赖的 FL 研究工作并为 FL 社区作出贡献。
引用
@article{arxiv.2407.06754,
title = {Threats and Defenses in Federated Learning Life Cycle: A Comprehensive Survey and Challenges},
author = {Yanli Li and Zhongliang Guo and Nan Yang and Huaming Chen and Dong Yuan and Weiping Ding},
journal= {arXiv preprint arXiv:2407.06754},
year = {2025}
}