本研究提出了一种基于掩码的安全聚合方案RLSA-PFL，旨在解决联邦学习中的隐私漏洞。该方案通过轻量级密码学原语降低隐私风险，增强用户交互的简便性和对用户退出的韧性，并能检测恶意服务器活动，从而提升安全性与效率。实验结果表明，其在通信和计算开销方面优于现有方案。

本文探讨了联邦学习中的多种机器学习算法，重点在于降低通信成本和提高隐私保护。研究提出了基于安全聚合的压缩方法、特性中心通信和相似度蒸馏等创新策略，实验结果表明这些方法有效提升了通信效率和模型性能，同时保障了隐私安全。

本文介绍了一种高效且鲁棒的安全聚合协议FastSecAgg，基于新型多秘密分享方案FastShare，旨在保障数据隐私并降低计算和通信成本。该协议有效防范恶意攻击，提升联邦学习中客户端模型数据的安全性，并提出多轮隐私保障框架和新的通信有效协议，确保用户长期隐私。