典型文献
联邦学习隐私保护机制综述
文献摘要：
随着数据孤岛的出现和隐私意识的增强,传统的中心化的机器学习模式遇到了一系列挑战.联邦学习作为一种新兴的隐私保护的分布式机器学习模型迅速成为一个热门的研究问题.有研究表明,机器学习模型的梯度会泄露用户数据集的隐私,能够被攻击者利用以获取非法的利益,因此,需要采用一些隐私保护的机制来保护这种敏感信息.本文研究了当前联邦学习系统中采用的隐私保护机制,并根据研究者采用的隐私保护技术,将联邦学习中的隐私保护机制分为五类,总结了不同的隐私保护机制的研究思路和研究进展.通过对当前联邦学习中使用的隐私保护机制的研究,联邦学习系统的设计人员可以提高联邦学习系统的安全性,更好地保护数据隐私.
文献关键词：
联邦学习;隐私保护;密码学
中图分类号：
作者姓名：
王浩竣;梁亚楠;黎琳;李锐
作者机构：
北京交通大学计算机与信息技术学院,北京 100091
文献出处：
引用格式：
[1]王浩竣;梁亚楠;黎琳;李锐-.联邦学习隐私保护机制综述)[J].现代计算机,2022(14):1-12
A类：
B类：
联邦学习,隐私保护机制,数据孤岛,私意,学习模式,习作,分布式机器学习,机器学习模型,速成,研究问题,用户数据,攻击者,敏感信息,学习系统,隐私保护技术,五类,设计人员,数据隐私,密码学
AB值：
0.259322
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
