可信联邦学习：综述

联邦学习（FL）已成为人工智能（AI）领域的一项重要进展，能够在保持数据隐私的同时实现跨分布式设备的协同模型训练。随着 FL 重要性日益提升，解决其在各方面的可信性问题变得至关重要。本综述对可信联邦学习的现状进行了广泛概述，探讨了现有解决方案以及与可信性相关的明确定义的基础支柱。尽管关于可信集中式机器学习（ML）/深度学习（DL）的文献不断增长，但仍需进一步努力以识别 FL 模型特有的可信性支柱与评估指标，并开发计算可信性水平的解决方案。我们提出了一种分类体系，涵盖三大支柱：可解释性、公平性与安全与隐私。每一支柱代表一个信任维度，并进一步细分为不同概念。本综述涵盖了 FL 设定下各个层面的可信性挑战。我们给出了可信联邦学习的整体架构，阐述了该概念背后的基本原理，并对信任评估机制进行了深入分析。最后，我们识别了与可信联邦学习各方面相关的关键研究挑战，并提出了未来研究方向。本综合性综述为从事可信联邦学习系统开发与实施的研究人员和从业者提供了宝贵资源，有助于构建更安全可靠的 AI 格局。