可信联邦学习：隐私、安全与更多
密码学与安全
2024-11-05 v1 人工智能
分布式、并行与集群计算
摘要
近年来，大数据与人工智能（AI）取得了长足进步，保护数据隐私和安全变得至关重要。作为一种创新方法，联邦学习（FL）通过在不传输原始数据的情况下促进分布式数据源之间的协作模型训练，解决了这些关切。然而，在FL中处理分布式数据时，健壮的安全性和隐私性挑战在去中心化网络中引起了广泛关注。在本文中，我们对FL中普遍存在的安全和隐私问题进行了广泛调查，强调了通信链路的脆弱性和网络威胁的潜在风险。我们深入探讨了各种防御策略以减轻这些风险，探索了FL在不同领域的应用，并提出了研究方向。我们识别了FL框架中出现的复杂安全挑战，旨在为开发安全高效的FL系统做出贡献。
引用
@article{arxiv.2411.01583,
title = {Trustworthy Federated Learning: Privacy, Security, and Beyond},
author = {Chunlu Chen and Ji Liu and Haowen Tan and Xingjian Li and Kevin I-Kai Wang and Peng Li and Kouichi Sakurai and Dejing Dou},
journal= {arXiv preprint arXiv:2411.01583},
year = {2024}
}
备注
32 pages, to appear in KAIS