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:

成为VIP会员查看完整内容
79

相关内容

元学习(meta learning) 最新进展综述论文
专知会员服务
275+阅读 · 2020年5月8日
联邦学习最新研究趋势!
AI科技评论
52+阅读 · 2020年3月12日
联邦学习或将助力IoT走出“数据孤岛”?
中国计算机学会
20+阅读 · 2019年3月16日
“联邦学习”实现“共同富裕”?来TF“共同富裕”!
中国计算机学会
5+阅读 · 2019年3月12日
区块链隐私保护研究综述——祝烈煌详解
计算机研究与发展
22+阅读 · 2018年11月28日
CCCF专栏 | 联邦学习
中国计算机学会
26+阅读 · 2018年11月19日
Advances and Open Problems in Federated Learning
Arxiv
17+阅读 · 2019年12月10日
A Comprehensive Survey on Transfer Learning
Arxiv
117+阅读 · 2019年11月7日
Arxiv
7+阅读 · 2019年5月31日
Transfer Adaptation Learning: A Decade Survey
Arxiv
37+阅读 · 2019年3月12日
One-Shot Federated Learning
Arxiv
9+阅读 · 2019年3月5日
Arxiv
53+阅读 · 2018年12月11日
A Survey on Deep Transfer Learning
Arxiv
11+阅读 · 2018年8月6日
Arxiv
4+阅读 · 2017年4月12日
VIP会员
相关VIP内容
元学习(meta learning) 最新进展综述论文
专知会员服务
275+阅读 · 2020年5月8日
相关资讯
相关论文
Advances and Open Problems in Federated Learning
Arxiv
17+阅读 · 2019年12月10日
A Comprehensive Survey on Transfer Learning
Arxiv
117+阅读 · 2019年11月7日
Arxiv
7+阅读 · 2019年5月31日
Transfer Adaptation Learning: A Decade Survey
Arxiv
37+阅读 · 2019年3月12日
One-Shot Federated Learning
Arxiv
9+阅读 · 2019年3月5日
Arxiv
53+阅读 · 2018年12月11日
A Survey on Deep Transfer Learning
Arxiv
11+阅读 · 2018年8月6日
Arxiv
4+阅读 · 2017年4月12日
微信扫码咨询专知VIP会员