Federated Learning Privacy: Attacks, Defenses, Applications, and Policy Landscape - A Survey

深度学习在各种任务中表现出了令人难以置信的潜力，随之而来的是对数据的巨大需求。然而，用于启用深度学习的大量数据存储在个人设备上，最近对隐私的关注进一步突显了访问此类数据的挑战。因此，联邦学习（FL）作为一种重要的隐私保护技术而出现，它可以实现机器学习模型的协作训练，而无需将原始的、可能具有敏感性的数据发送到中央服务器。然而，仅当更新无法“反向推导”以推断有关私有训练数据的信息时，将模型更新发送到服务器才能保护隐私。在各种情况下，已经表明这种隐私保护前提并不成立。在本综述论文中，我们全面回顾了FL中不同的隐私攻击和防御方法的文献，并确定了这些攻击的当前限制，并强调了FL客户端隐私可能被突破的设置。我们剖析了一些成功的FL行业应用，并从中吸取了未来成功采用的经验教训。我们调查了FL隐私监管的新兴形势。最后，我们总结了未来将FL引向实现数据参与者隐私保护和生成准确模型的珍贵目标的方向。

Federated Learning中的隐私攻击和防御方法的综述

综述了Federated Learning中的隐私攻击和防御方法，并指出了目前攻击的限制和隐私破解的情况。同时，总结了FL的工业应用和隐私监管现状，并提出了未来的研究方向。

该论文提供了全面的文献综述，涵盖了FL中的隐私攻击和防御方法、工业应用和隐私监管现状。论文还讨论了FL中的隐私破解情况和限制，并提出了未来的研究方向。

一些相关的研究包括：'Privacy-Preserving Deep Learning'、'Differentially Private Federated Learning: A Client Level Perspective'、'Federated Learning with Differential Privacy: Algorithms and Performance Analysis'等。