Belt and Brace: When Federated Learning Meets Differential Privacy（作者：Xuebin Ren, Shusen Yang, Cong Zhao, Julie McCann and Zongben Xu）。联邦学习（FL）可在不暴露原始数据的情况下实现大规模机器学习（ML）。差分隐私（DP）是具有可证明性的隐私保护标准， 其对机器学习与联邦学习算法中的严格隐私保护具有重要意义。然而，实现具有严格DP隐私保护的联邦学习算法当前仍面临诸多挑战，一方面现有研究脉络比较零散，其相关隐私保护的概念分类缺乏系统整理，另一方面，DP隐私保护的联邦学习面临着隐私和效用之间的艰难选择。因此，该论文对当前相关研究进展进行全面回顾，并对具有DP保证的高度可用FL系统的挑战和机遇进行总结分析。此外，我们提出了寻求模型效用和隐私损失之间更好权衡的优化原则。最后，我们讨论新兴领域和相关研究主题中的未来挑战。

图1 隐私保护的联邦学习优化