计算机应用

作者：王腾, 霍峥, 黄亚鑫, 范艺琳

单位：1.中国电科网络通信研究院，石家庄 050081；2.河北经贸大学 信息技术学院，石家庄 050061

关键词：联邦学习,隐私保护,差分隐私,同态加密,安全多方计算

基金：国家自然科学基金资助项目(62002098);河北省自然科学基金资助项目(F2020207001)

近年来，联邦学习成为解决机器学习中数据孤岛与隐私泄露问题的新思路。联邦学习架构不需要多方共享数据资源，只要参与方在本地数据上训练局部模型，并周期性地将参数上传至服务器来更新全局模型，就可以获得在大规模全局数据上建立的机器学习模型。联邦学习架构具有数据隐私保护的特质，是未来大规模数据机器学习的新方案。然而，该架构的参数交互方式可能导致数据隐私泄露。目前，研究如何加强联邦学习架构中的隐私保护机制已经成为新的热点。从联邦学习中存在的隐私泄露问题出发，探讨了联邦学习中的攻击模型与敏感信息泄露途径，并重点综述了联邦学习中的几类隐私保护技术：以差分隐私为基础的隐私保护技术、以同态加密为基础的隐私保护技术、以安全多方计算（SMC）为基础的隐私保护技术。最后，探讨了联邦学习中隐私保护中的若干关键问题，并展望了未来研究方向。

来源：2023年第2期

《计算机应用》期刊编辑部

查看计算机应用杂志2023年第2期