بررسی روش های حفظ حریم خصوصی داده ها در مدل های مبتنی بر یادگیری فدرال

یادگیری فدرال (Federated Learning)FL شاخه ای نوآورانه از هوش مصنوعی است که افق های جدیدی را در یادگیری ماشین می گشاید FL امکان آموزش یک مدل را بدون نیاز به انتقال یا ذخیره داده های آموزشی در سرور مرکزی فراهم می کند. به این ترتیب اطلاعات می تواند بدون به خطر انداختن حریم خصوصی بین مشتریان و سرورها به اشتراک گذاشته شود. در حال حاضر یادگیریفدرال از دیدگاه های مختلف مورد مطالعه قرار گرفته است، پیشرفت کافی در مورد درک این موضوع برای خطرات امنیتی و حریمخصوصی آن حاصل نشده است که با چالش های کارایی و حریم خصوصی مواجه است. هدف این پیشنهاد پژوهشی، مروری بر روشهای حفظ حریم خصوصی داده ها در مدل های مبتنی بر یادگیری فدرال است. بنابراین، ما یک نمای کلی از برنامه های کاربردییادگیری فدرال، توپولوژی و روش های تجمع را معرفی می کنیم. سپس، ما مطالعات را از نظر تکنیک های دفاعی امنیت و حریمخصوصی که هدف آن مقابله با آسیب پذیری های یادگیری فدرال است، مورد بحث قرار می دهیم. در نهایت، یک جمع بندی کلیبرای حفظ حریم خصوصی داده ها را مورد بررسی قرار می دهیم.

Keywords:

یادگیری فدرال , حریم خصوصی , یادگیری انتقال فدرال , امنیت داده , حملات یادگیری فدرال