联邦学习中的成员推断攻击与防御：综述

主要观点总结

本文全面综述了联邦学习（FL）中的成员推断攻击（MIA）及其防御策略。文章首先介绍了联邦学习的背景和特点，强调了其在多个领域的应用和隐私保护的重要性。然后，文章详细分析了MIA在联邦学习中的威胁，包括攻击者的角色、攻击阶段和攻击者的知识等。接着，文章对现有的MIA研究进行了分类和总结，并提出了一个独特的分类法来指导综述。此外，文章还探讨了与集中式学习相关MIA的差异。在防御策略方面，文章介绍了四种常用的缓解策略，包括部分共享、安全聚合、噪声扰动和异常检测，并分析了其优缺点。最后，文章展望了MIA和防御领域的前沿研究方向。本文旨在填补关于联邦学习中MIA及防御的综述空白，为有意推动该领域发展的读者提供参考。

关键观点总结

关键观点1: 联邦学习（FL）是一种分布式机器学习范式，允许多个客户端在不直接共享私有数据的情况下协作训练机器学习模型。

FL通过防止直接访问原始训练数据来设计为隐私意识型，但仍面临显著的隐私风险。

关键观点2: 成员推断攻击（MIA）是FL中的一种根本性隐私侵犯，旨在确定特定记录是否属于训练数据集。

MIA具有严重的隐私泄露风险，并可被用作更复杂隐私攻击的基础步骤。

关键观点3: 本文提供了对FL中MIA及防御策略的全面综述，总结了现有的MIA研究，并讨论了其与集中式学习相关MIA的差异。

本文还识别了FL背景下的MIA方法，并提出了一个独特的分类法来指导综述。

关键观点4: 现有的FL对策包括部分共享、安全聚合、噪声扰动和异常检测等四种常用的缓解策略。

这些策略各有优缺点，文章对其进行了详细的分析和比较。

关键观点5: 文章展望了MIA和防御领域的前沿研究方向，旨在为有意推动该领域发展的读者提供参考。

本文的贡献在于全面回顾了FL设置下的MIA，识别了FL背景下的MIA方法，并提出了独特的分类法。