目录
1.联邦学习中的隐私保护技术
-
题目截图：
-
涉及领域：联邦学习、隐私保护、差分隐私、同态加密
-
主要内容：首先介绍了联邦学习经典的两个攻击场景，重建攻击和推断攻击；然后介绍了五种常用的隐私保护方法：扰动、迁移、加密、安全计算结合扰动以及安全混洗；最后提出了四个展望：构建隐私量化体系、考虑鲁棒性和公平性合一的方案、实现低成本轻量级的算法以及考虑异质数据的方案
2.基于区块链的隐私保护可信联邦学习模型
- 题目截图：
- 涉及领域：区块链、联邦学习、边缘计算、差分隐私
- 主要内容：对于目前的扰动方案，噪声会降低模型质量，其次是节点的自利性会影响聚合过程；本文将中心化的参数服务器构建为去中心化的参数聚合链，区块链记录中间参数并激励写作节点惩罚恶意节点；同时以模型质量作为以及，动态调整噪声以及自适应的聚合模型
3.Federated Learning With Blockchain for Autonomous Vehicles: Analysis and Design Challenges
- 题目截图：
- 涉及领域：车联网、联邦学习、区块链、延迟分析
- 主要内容：本文构建了一个高效且具有隐私保护的汽车通信网络基于区块链和联邦学习（BFL），BFL可以让汽车上的机器学习摆脱中心化的训练数据。本文构建了一个数学模型细化网络和BFL的各个参数（区块大小，出块速度等），从而考虑他们对系统性能的影响。
4.Decentralized Federated Learning for Electronic Health Records
- 题目截图：
- 涉及领域：联邦学习、电子医疗
- 主要内容：介绍了联邦学习的中心化以及p2p的工作流，FL可以帮助EHR来寻找相似症状的患者以及进行疾病预测，需要考虑隐私安全以及系统架构的问题