基本信息来源于合作网站,原文需代理用户跳转至来源网站获取       
摘要:
联邦学习是一种多方协作机器学习的模式,可以让参与者在本地训练模型中上传参数更新来组建联合模型,过程中并不需要参与者直接共享数据,从而很大程度上规避了隐私问题.但是,模型更新仍然会泄露参与者训练数据的相关信息,攻击者可以采用推理攻击判断具体的数据点或数据属性是否被用于训练,或采用逆向学习的方法还原原始数据.文中介绍了联邦学习及其存在的隐私问题,详细讨论了现有的隐私保护方法在联邦学习中的应用,主要包括加密方法与差分隐私方法,并对未来工作进行了展望.
推荐文章
联邦学习安全与隐私保护研究综述
联邦学习
投毒攻击
对抗攻击
隐私泄露
隐私保护数据挖掘研究进展
隐私保护数据挖掘
新型分布式系统
高维数据
时空数据
数据多次发布的隐私保护研究进展
关系数据
社会网络数据
隐私保护
数据单次发布
数据多次发布
社交网络隐私保护技术最新研究进展
社交网络
隐私保护
背景知识
k-匿名
Markov 链
聚类
内容分析
关键词云
关键词热度
相关文献总数  
(/次)
(/年)
文献信息
篇名 联邦学习中的隐私保护研究进展
来源期刊 南京邮电大学学报(自然科学版) 学科 工学
关键词 联邦学习 安全多方计算 同态加密 差分隐私
年,卷(期) 2020,(5) 所属期刊栏目 计算机与自动控制
研究方向 页码范围 204-214
页数 11页 分类号 TP309|TP181
字数 语种 中文
DOI 10.14132/j.cnki.1673-5439.2020.05.022
五维指标
传播情况
(/次)
(/年)
引文网络
引文网络
二级参考文献  (45)
共引文献  (11)
参考文献  (8)
节点文献
引证文献  (0)
同被引文献  (0)
二级引证文献  (0)
1900(1)
  • 参考文献(1)
  • 二级参考文献(0)
1979(1)
  • 参考文献(1)
  • 二级参考文献(0)
2001(1)
  • 参考文献(0)
  • 二级参考文献(1)
2002(2)
  • 参考文献(0)
  • 二级参考文献(2)
2006(2)
  • 参考文献(0)
  • 二级参考文献(2)
2007(2)
  • 参考文献(0)
  • 二级参考文献(2)
2008(2)
  • 参考文献(0)
  • 二级参考文献(2)
2010(1)
  • 参考文献(0)
  • 二级参考文献(1)
2011(8)
  • 参考文献(0)
  • 二级参考文献(8)
2012(1)
  • 参考文献(0)
  • 二级参考文献(1)
2013(7)
  • 参考文献(0)
  • 二级参考文献(7)
2014(3)
  • 参考文献(0)
  • 二级参考文献(3)
2015(4)
  • 参考文献(0)
  • 二级参考文献(4)
2016(3)
  • 参考文献(0)
  • 二级参考文献(3)
2017(2)
  • 参考文献(0)
  • 二级参考文献(2)
2018(9)
  • 参考文献(3)
  • 二级参考文献(6)
2019(3)
  • 参考文献(2)
  • 二级参考文献(1)
2020(1)
  • 参考文献(1)
  • 二级参考文献(0)
2020(1)
  • 参考文献(1)
  • 二级参考文献(0)
  • 引证文献(0)
  • 二级引证文献(0)
研究主题发展历程
节点文献
联邦学习
安全多方计算
同态加密
差分隐私
研究起点
研究来源
研究分支
研究去脉
引文网络交叉学科
相关学者/机构
期刊影响力
南京邮电大学学报(自然科学版)
双月刊
1673-5439
32-1772/TN
大16开
南京市亚芳新城区文苑路9号
1960
chi
出版文献量(篇)
2234
总下载数(次)
13
总被引数(次)
14649
  • 期刊分类
  • 期刊(年)
  • 期刊(期)
  • 期刊推荐
论文1v1指导