摘要
Yang Q，Liu Y，Chen T，联合机器学习：概念和应用。 《ACM智能系统与技术汇刊》（TIST），第10卷，第2期，第1-19页，2019年。 谷歌学者 
Hanchi R，Jingjing D，Xianghua X.GRNN：生成回归神经网络——联合学习的数据泄漏攻击。 arXiv.org。2021年9月22日检索自 https://arxiv.org/abs/105.00529v1。 谷歌学者 Eric P Xing、Qirong Ho、Wei Dai、Jin Kyu Kim、Jinliang Wei、Seunghak Lee、Xung Zheng、Pengtao Xie、Abhimanu Kumar和Yaoliang Yu。 Petuum：一个新的大数据分布式机器学习平台。 IEEE传输。 《大数据》，第1卷，第2期，第49–67页，2015年。 谷歌学者 交叉引用 
Robin C Geyer、Tassilo Klein和Moin Nabi，《不同私有联合学习：客户层面的视角》。 arXiv预印arXiv:1712.075572017。 谷歌学者 杨强（Qiang Yang）、杨柳（Yang Liu）、永成（Yong Cheng）、阎康（Yan Kang）、陈天健（Tianjian Chen）和韩瑜（Han Yu）。 联合学习。 《人工智能和机器学习综合讲座》，第13卷，第3期，第1–207页，2019年。 谷歌学者 交叉引用 Reza Shokri、Marco Stronati、Congzheng Song和Vitaly Shmatikov。 针对机器学习模型的成员推理攻击。 在IEEE SP中，第3-18页。 IEEE，2017年。 谷歌学者 Liu RX，Chen H，Guo RY，Zhao D，Liang WJ，Li CP。机器学习中隐私攻击和防御的调查。 阮建学报/《软件杂志》，2020年，第31卷，第3期，第866892页（中文）。 http://www.jos.org.cn/1000- 9825/5904.htm 谷歌学者 Mothukuri V，Parizi R M，Pouriyeh S，联合学习安全与隐私调查。 《未来一代计算机系统》，2021年，第115卷，第619-640页。 谷歌学者 交叉引用 Yang Q，Liu Y，Chen T，联合机器学习：概念和应用。 《ACM智能系统与技术汇刊》（TIST），第10卷，第2期，第1-19页，2019年。 谷歌学者 刘瑞轩，陈红，郭若阳，机器学习中的隐私攻击与防御。 软件杂志，2019，31（3）：866-892。 谷歌学者 Olowononi F O，Rawat D B，Liu C.针对弹性车辆网络物理系统的差异隐私联合学习// 华盛顿数据科学和网络安全中心：霍华德大学，2021年。 谷歌学者 Triastcyn A.贝叶斯差异隐私联合学习// IEEE国际大数据会议，人工智能实验室，2019年。 谷歌学者 Hu R.具有差异隐私的个性化联合学习。 IEEE物联网杂志，第6卷，2020年第10期。 谷歌学者 Liu Y，Zhu X，Wang J，联合学习中隐私泄露的定量度量。 ICASSP 2021-2021 IEEE国际声学、语音和信号处理会议（ICASSP），第3065-3069页，2021年。 谷歌学者 交叉引用 Kraskov A，Sto¨gbauer H，Grassberger P.估计相互信息。 《物理评论E》，第69卷，第6期，第066138页，2004年。 谷歌学者
建议
高斯差分隐私的分层联合学习 AISS’22：第四届高级信息科学与系统国际会议记录 联合学习是一种保护隐私的机器学习技术。 每个参与者可以在不公开底层数据的情况下构建模型，并且只与服务器共享模型的权重更新和梯度信息。 然而，很多。。。 隐私保护：p-敏感k-匿名属性 ICDEW’06：第22届国际数据工程研讨会会议记录 在本文中，我们引入了一种新的隐私保护属性，称为p-敏感k-匿名性。 现有的假名属性可以防止身份泄露，但无法防止属性泄露。 新引入的隐私模型。。。 发布后信息隐私保护：框架和下一代隐私增强操作系统 在当今的数字世界中，隐私问题受到了公众的广泛关注。 当前对信息隐私保护的研究主要集中于发布控制和主体身份模糊。 然而，几乎没有做什么工作来阻止。。。
