联邦学习(Federated Learning)是一种分布式机器学习方法，允许多个参与方在不共享原始数据的情况下协作训练模型。近年来，随着数据隐私保护需求日益增长，联邦学习已成为人工智能领域的重要研究方向。
联邦学习近期进展
2023年9月，arXiv cs.LG上发布的《隐私对齐联邦学习新方法提升效率》提出了一种创新的隐私对齐技术，显著提高了联邦学习过程中的模型收敛速度。该方法通过优化本地模型与全局模型之间的信息交换机制，在保持数据隐私的同时减少了通信开销。
同期，arXiv cs.AI期刊刊登了《隐私增强联邦学习框架通过异步聚合和本地差分扰动提升性能》，该研究结合异步聚合算法和本地差分扰动技术，有效解决了联邦学习中的数据隐私泄露问题，同时提升了模型在非独立同分布数据集上的表现。
当前焦点与观察点
当前联邦学习研究主要聚焦于隐私保护与效率提升的平衡。2023年6月的研究揭示了差分隐私联邦学习面临的RING攻击威胁，表明隐私保护机制可能被后门攻击绕过，这为联邦安全研究提出了新挑战。
在医疗领域，联邦学习正展现出巨大潜力。2023年6月发布的《真实标签噪声下联邦医学图像分割基准套件》针对医学数据中的标签噪声问题，提出了专门的联邦学习处理方法，为跨机构医疗数据合作提供了新思路。