【综述】联邦学习的威胁，Threats to Federated Learning: A Survey

题目： Threats to Federated Learning: A Survey

简介：

随着数据孤岛的出现和隐私意识，训练人工智能（AI）模型的传统集中式方法面临着严峻的挑战。在这种新现实下，联邦学习（FL）最近成为一种有效的解决方案。现有的FL协议设计已显示出存在漏洞，系统内部和外部系统的攻击者都可以利用这些漏洞来破坏数据隐私。因此，让FL系统设计人员了解未来FL算法设计对隐私保护的意义至关重要。当前，没有关于此主题的调查。在本文中，我们 弥合FL文学中的这一重要鸿沟。通过简要介绍FL的概念以及涵盖威胁模型和FL的两种主要攻击的独特分类法：1）中毒攻击 2）推理攻击，本文提供了对该重要主题的易于理解的概述。我们重点介绍了各种攻击所采用的关键技术以及基本假设，并讨论了未来研究方向，以实现FL中更强大的隐私保护。

目录：