计算机应用研究

作者：仇健,马海英,王占君,沈金宇,

单位：南通大学a.人工智能与计算机学院;b.数学与统计学院,江苏南通226019；

关键词：联邦学习,隐私保护,聚合机制,区块链,安全多方计算,

基金：南通市自然科学基金面上项目(JC2023069)；南通大学信息科学技术学院研究生科研与实践创新计划资助项目(NTUSISTPR24_07)；；

联邦学习（FL）作为一种新型的分布式机器学习（DML）框架，通过聚合参与者上传的本地模型参数训练全局模型，可以有效保护参与者的本地数据隐私。然而，这些本地模型参数仍然存在泄露参与者隐私的风险，隐私保护聚合（privacy-preserving aggregation，PPAgg）机制作为FL中的关键步骤，成为解决隐私问题的核心技术。首先简述联邦学习的概念和面临的隐私安全威胁；然后结合现有联邦学习中的隐私保护技术，重点阐述PPAgg机制的核心思想和关键步骤，详细分析了典型PPAgg机制的主要优缺点，并给出PPAgg机制适用的特定应用场景；最后通过对现有PPAgg机制的总结分析，展望联邦学习未来新的挑战性问题和发展方向，并给出可能的解决方案。

来源：2025年第6期

《计算机应用研究》期刊编辑部

查看计算机应用研究杂志2025年第6期