基于横向联邦学习的隐私保护研究

来源：计算机技术与发展杂志2024年第10期北京时间：

作者：王斌;尹晓雅;张磊*

摘要：近年来,随着人工智能的快速发展,机器学习成为处理数据的重要手段。 传统的机器学习在处理数据时需要上传到中心服务器,无法保证用户数据隐私。 但联邦学习的分布式特性保证了数据安全和隐私,同时也解决了数据孤岛问题,提高了不同应用环境下数据的可用性。 然而,越来越多的研究表明,基于联邦学习的方法仍然遭受不同的隐私威胁,因此如何保护联邦学习场景下的用户数据隐私成为一个挑战。 为应对联邦学习的隐私问题,对现有的隐私保护手段进行了调查分析。 首先,介绍了联邦学习的定义、发展和分类;其次,介绍联邦学习的系统架构并分析了所遭受的隐私威胁手段;再次,根据联邦学习训练过程的生命周期对隐私保护技术进行分类和整理,同时比较了各技术的优缺点;最后,指出了目前联邦学习所面临的挑战,以及未来的发展趋势。

关键词：隐私保护技术;隐私安全;联邦学习;同态加密;差分隐私