1.2 联邦学习挑战

联邦学习是为数据安全与隐私保护设计的联合机器学习方案，为实现数据可用不可见，联邦学习系统需要在性能、效率与隐私安全之间进行权衡。包括由于数据异质性带来的模型性能下降、加密技术中增加的通信负载。同时联邦学习参与者的行为是不可知的，系统设计应有足够的鲁棒性以应对可能的机器离线、恶意参与者等问题。如图1-1所示，我们将联邦学习系统性的挑战总结为三个：性能挑战、效率挑战、隐私与安全挑战。

● 图1-1 联邦学习挑战