隐私保护

1.联邦学习

联邦学习（Federated Learning）是一种分布式机器学习技术，旨在保护数据隐私的前提下实现多方协作建模。其核心思想是数据不离开本地，各参与方在本地训练模型后仅上传模型参数（如梯度更新）至中心服务器进行聚合，而非直接共享原始数据。这种方式有效解决了数据孤岛问题，同时通过加密技术、差分隐私或安全多方计算等手段进一步降低隐私泄露风险，广泛应用于医疗、金融等对数据敏感性要求高的领域。

2.对抗攻击与防御

在隐私保护中，对抗攻击与防御聚焦于防止恶意方通过模型输出来逆向推断敏感数据或破坏隐私保护机制。对抗攻击可能通过生成对抗样本（如微小扰动）误导模型泄露个体数据特征（如成员推断攻击、属性推断攻击），或利用模型梯度反推原始数据。防御手段则包括对抗训练（增强模型对攻击样本的鲁棒性）、梯度扰动或剪裁（如差分隐私技术）、加密中间参数，以及设计隐私增强的模型结构（如生成对抗网络用于数据脱敏）。这一领域平衡模型可用性与隐私安全，广泛应用于人脸识别、医疗数据分析、手写签名鉴定等敏感场景。