联邦机器学习构建基于数据集的机器学习模型分布在多个所有者跨越所有者。它给我们带来了一个令人信服的解决方案，对孤立的群岛问题的解决方案大多数领域只具有低质量和多种类型的有限数据。与传统的机器学习相比，所有数据都组合在一起进行模型培训，在联合机器学习系统中，用户提供了本地模型参数以通过多个轮次协作地培训最终模型，而不将每个用户的数据设置为他人。

不幸的是，一系列安全和隐私违规行为大幅妨碍了广泛采用联合机器学习。暴露的模型信息实际上可能泄漏重要数据的特征。可以利用污染数据集的对手模型来用后门毒害最终模型，这将使​​攻击者打算识别一个特定对象。此外，如何将隐私泄露解决到非信任的集中式服务器，以聚合全局模型仍然保持不变。这些安全问题最近也吸引了越来越多的研究，并带来了几个挑战性的开放问题和潜在的研究机会。安全多方计算和公钥（完全）同性恋加密的技术允许在加密域中保留隐私保留模型训练。即使具有出色的准确性保证，资源受限的数据提供者也将无法容忍计算和通信成本，特别是当数据集包含数百万记录时。一种用于隐私保留联合机器学习的轻型设计需要一个令人信服的解决方案。联邦机器学习中的差异隐私技术实现了隐私，效率和准确性之间的权衡。不受信任的集中式服务器的问题可能通过交换架构中的边缘计算或区块链条缓解。

此特殊问题旨在探索和解决与联合机器学习相关的安全和隐私方面。这一特别问题鼓励新颖，变革和多学科解决方案，以确保通过解决这一领域的独特挑战，确保联邦机器学习中的安全和隐私。

潜在主题包括但不限于以下内容：

• 联邦机器学习中的安全与隐私调查
• 轻量级加密原版安全联合机器学习设计
• 联邦机器学习中的差异隐私
• 安全数据收集，存储，聚合和联合机器学习中的检索
• 隐私攻击，包括基于AI的攻击或隐私泄漏，从AI建模中进行联合机器学习
• 联邦机器学习驱动的安全和隐私保护解决方案
• 安全联合机器学习对边缘智能，区块链和分布式数据库系统的应用