该文综述大语言模型的安全与隐私风险：BGMAttack后门攻击可隐蔽欺骗文本分类器；GPT-2可被提取训练数据中的个人信息；BadGPT可向奖励模型注入后门操纵生成文本；ChatGPT在数字取证中能力有限且存隐私风险；GPT-4存在偏见、毒性、隐私泄露等可信度漏洞。

该文综述去中心化联邦学习的安全与隐私研究，涵盖投毒、后门、成员推断、生成对抗网络及差分隐私等攻击，涉及聚合器与参与者威胁，梳理防御机制、可信度与可验证性，并指出非独立同分布数据、高维和异构架构等训练挑战及未来方向。

该文综述空中计算联邦学习（OTA-FL）技术，从系统设置、安全与隐私等方面进行分类分析，并指出未来在性能、可靠性和可信度方面的挑战与方向。相关研究涵盖可重构智能表面优化、预编码缓解信道噪声、MIMO集成、概率设备调度、免解码信道估计及自适应本地更新与压缩等，以提升学习效率与精度。

该文综述ChatGPT及自定义GPT模型的安全与隐私问题，指出提示注入攻击需强安全框架；ChatGPT在业务、教育等领域有应用潜力，但理解力与创造力有限，不能取代人类，并存在偏见、隐私威胁和学术伦理风险，学生依赖其完成作业不可靠；元宇宙应用需权衡隐私与道德。文章呼吁发展透明可信、符合伦理的大语言模型。

联邦学习在分布式学习中面临安全与隐私挑战。研究对各类机器学习模型（包括大语言模型）的安全隐私挑战进行分类，聚焦聚合器与参与者攻击，如投毒、后门、成员推断、生成对抗网络及差分隐私攻击，并提出未来方向以强化系统、保护敏感数据隐私。相关研究还探讨医疗数据隐私、算法设计框架、公平性及防御技术。