Eine Übersicht über die Implementierung von Sicherheit und Datenschutz im föderierten Lernen

Abstract Föderiertes Lernen hat in letzter Zeit große Aufmerksamkeit in der Forschung erhalten, wobei der Datenschutz zu einem wichtigen Faktor bei der Entwicklung künstlicher Intelligenz wird. Föderiertes Lernen ist eine spezielle Art von verteiltem Lernrahmen, die es mehreren Benutzern ermöglicht, am Modelltraining teilzunehmen, während sichergestellt wird, dass ihre Privatsphäre nicht gefährdet wird; jedoch ist dieses Paradigma weiterhin anfällig für Sicherheits- und Datenschutzbedrohungen durch verschiedene Angreifer. Dieses Papier konzentriert sich auf die Sicherheits- und Datenschutzbedrohungen im Zusammenhang mit föderiertem Lernen. Zuerst analysieren wir den aktuellen Forschungs- und Entwicklungsstand des föderierten Lernens mithilfe des Literaturrecherche-Tools CiteSpace. Anschließend beschreiben wir die Grundkonzepte und Bedrohungsmodelle und analysieren die Sicherheits- und Datenschutzanfälligkeiten innerhalb der aktuellen Architekturen des föderierten Lernens. Schließlich werden die Entwicklungen in diesem Bereich im Kontext aktueller fortschrittlicher Verteidigungslösungen weiter diskutiert, für die wir eine Zusammenfassung und einen Vergleich bereitstellen.