READ-2305 联邦学习中的隐私保护技术
·
READ-2305 联邦学习中的隐私保护技术
| 论文名称 | 联邦学习中的隐私保护技术 |
|---|---|
| 作者 | 刘艺璇，陈红，刘宇涵，李翠平 |
| 来源 | 软件学报 |
| 领域 | Machine Learning – Federal learning – Privacy |
| 问题 | 已有研究对联邦学习可能受到的攻击作了详细的阐述, 但是在安全攻击和隐私攻击的区分上没有进一步调研 |
| 方法 | 综述 |
| 创新 | 没有 |
阅读记录
CHAP1 联邦学习
CHAP2 联邦学习中的隐私泄露风险
Note：
- 风险来源对比
- 内部隐私攻击方案总结
- 内部与外部隐私攻击策略的区别
- 隐私攻击策略流程图
实线表示联邦学习的模型训练的过程, 虚线表示内部隐私攻击的过程; 带有数字的空心圆表示被动攻击的步骤, 带有数字的实心圆表示主动攻击的步骤; 带有字母的空心圆表示联邦学习训练的步骤。
（1）客户-服务器架构
（2）端对端架构
CHAP3 隐私保护机制和技术
Note：隐私保护机制对比
CHAP4 联邦学习中的隐私保护算法
Note：
- 隐私保护策略的信任边界
- 隐私保护算法对比
CHAP５ 未来展望
下一步学习计划
本文从隐私的角度对联邦学习中存在的问题进行了总结，之后可以按照文章的框架阅读联邦学习隐私性相关的内容
魔乐社区（Modelers.cn) 是一个中立、公益的人工智能社区，提供人工智能工具、模型、数据的托管、展示与应用协同服务，为人工智能开发及爱好者搭建开放的学习交流平台。社区通过理事会方式运作，由全产业链共同建设、共同运营、共同享有，推动国产AI生态繁荣发展。
更多推荐
1
0- 0
已为社区贡献1条内容
所有评论(0)