A Systematic Review of Federated Generative Models

联邦学习（FL）已经成为分布式系统的解决方案，允许客户端在其数据上训练模型并仅共享模型而不是本地数据。生成模型旨在学习数据集的分布并生成类似于原始数据的新数据样本。许多先前的研究尝试提出联邦生成模型。将联邦学习和生成模型结合使用可能容易受到攻击，设计最佳架构仍然具有挑战性。本综述全面回顾了从2019年到2024年进行的研究，涵盖了FL和生成模型交叉领域的日益增长的兴趣。我们系统地比较了近100篇论文，重点关注它们的FL和生成模型方法以及隐私考虑。为了使这个领域更容易为新手所理解，我们突出了最先进的进展，并确定了未解决的挑战，为这个不断发展的领域的未来研究提供了洞见。

如何在联邦学习中保护用户隐私？

提出了一种使用生成对抗网络（GAN）的联邦学习框架，称为FedGAN，以保护客户端数据的隐私。

论文提出的FedGAN框架在多个数据集上进行了实验，结果表明其在保护用户隐私的同时，也能够有效地训练生成模型。此外，论文还探讨了当前联邦学习和生成模型中存在的一些挑战和限制，并提出了一些未来的研究方向。

与本文相关的研究包括：《Federated Learning with Differential Privacy: Strategies for Improving Robustness and Efficiency》、《Privacy-Preserving Federated Brain Tumor Segmentation》、《Federated Learning with Non-IID Data》等。