当联邦学习遇见水印技术：面向知识产权保护的方法综述

联邦学习（FL）是一种允许多个参与方协作训练深度神经网络（DNN）而无需集中其数据的技术。除其他优势外，它具有隐私保护特性，使其在医疗保健或军事等敏感场景中的应用颇具吸引力。尽管数据未被显式交换，训练过程仍需共享参与方模型的相关信息，这使得个体模型易遭恶意行为者的窃取或未经授权的分发。为解决机器学习（ML）背景下的所有权保护问题，深度神经网络水印方法在过去五年中被提出。现有工作大多关注集中式水印，仅有少数方法针对联邦学习及其独特约束而设计。本文综述联邦学习水印的最新进展，阐明该领域出现的新挑战与机遇。