联邦学习环境下隐私保护的数据聚合与评估方法

摘要

现代深度学习的辉煌成就，得益于大数据的普遍可获取性。然而，随着公众对隐私问题关注度的上升，各
国纷纷推出隐私保护相关法律，隐私保护措施日益严格。这一转变加剧了数据的分散，产生了许多“数据孤岛”，成
为了制约人工智能技术发展的关键障碍。尽管联邦学习的兴趣日益增加，但在实际应用中仍然面临着不少挑战。虽
然各地区的学习计划通过传统模型设定来保障用户培训数据的机密性，但这些模型依旧存在泄露敏感信息的隐患。
此外，目前的隐私保护机制也存在一定的安全漏洞。例如，依赖统一单密钥加密的安全聚合系统常常容易受到恶意
攻击。值得注意的是，模型训练的有效性不仅依赖于大数据集的规模，数据质量对模型的整体性能同样至关重要。
尽管已有大量研究对数据质量进行探讨，但在数据安全评估机制建设上仍显不足。因此，提升数据质量和安全性对
于成功实施联邦学习变得尤为关键。