不同场景的联邦学习安全与隐私保护研究综述

作者：孙爽; 李晓会^*; 刘妍; 张兴

来源：计算机应用研究, 2021, 38(12): 3527-3534.

DOI：10.19734/j.issn.1001-3695.2021.03.0157

• 横向联邦学习
• 纵向联邦学习
• 隐私泄露
• 数据安全
• 隐私保护

随着大数据不断发展,联邦学习已被广泛应用于各种各样的场景,从而方便人们的生产生活,但该技术给人们带来便利的同时也让用户面临着数据泄露的挑战,因此数据安全成为联邦学习研究的热点问题。通过介绍横向及纵向联邦学习的训练过程,并对该过程的潜在对手及其攻击原因进行研究,从而分类总结了现有的攻击手段,如投毒攻击、对抗攻击及模型逆推攻击等;在两种场景下分类介绍针对几种攻击手段的防御措施,如梯度稀疏化、恶意检测、秘密样本对齐、标签保护、加密共享和扰动共享等,这些方法不仅可以保证参与方的数据安全,也可以保证联合模型的准确率;最后根据对现有技术的研究,总结了现存方法存在的问题及未来的研究方向。

• 单位
  辽宁工业大学