新兴范式在联邦学习系统安全中的应用

联邦学习（FL）通过保持原始数据去中心化的方式实现协同模型训练，使其成为在维护本地收集数据隐私的同时发挥物联网设备潜力的重要渠道。然而，现有的隐私保护技术仍存在显著障碍。诸如多方计算（MPC）、同态加密（HE）和差分隐私（DP）等方法通常会产生高昂的计算成本，并面临可扩展性受限的问题。

本综述研究了有望提升联邦学习隐私性和效率的新兴方法，包括：

• 可信执行环境（TEEs）
• 物理不可克隆功能（PUFs）
• 量子计算（QC）
• 基于混沌的加密（CBE）
• 神经形态计算（NC）
• 群体智能（SI）

针对每种范式，我们评估了其与联邦学习流程的关联性，并详细阐述了各自的优势、局限性和实际应用考量。最后，我们重点指出了当前面临的开放性挑战和未来研究前景，为推进安全可扩展的联邦学习系统提供了详细的发展路线图。