本研究提出了一种新隐私保护机制TAPFed，旨在解决传统联邦学习平台的隐私问题。TAPFed采用阈值功能加密方案，允许存在恶意聚合器的情况下仍能保持安全性和隐私性。研究表明，TAPFed在模型质量上与现有方法相当，同时减少29%-45%的传输开销，有效抵御推断攻击。

本研究提出了一种信息理论防御框架Inf2Guard，用于对抗推断攻击。该框架通过学习共享表示来保护隐私和保留效用，并展示了多种优势及对现有防御的改进。实证评估验证了Inf2Guard对于学习对推断攻击具有隐私保护的表示的有效性，并展示了其优于基线方法的卓越性能。

研究发现，大型语言模型（LLM）能够推断出个人属性，对用户隐私构成威胁。常用的隐私保护措施无效，需要更广泛的讨论和更有效的隐私保护措施。

本文概述了联邦学习的安全挑战，包括数据污染、推断攻击和模型毒化攻击，并提出了相应的防御技术。还讨论了处理非独立同分布数据、高维度问题和异构架构的训练挑战，并提出了解决方案。最后，提出了联邦学习训练中的剩余挑战和研究方向建议。

本文概述了联邦学习的安全挑战，包括数据污染、推断攻击和模型毒化攻击，并提出了相应的防御技术。同时，还讨论了处理非独立同分布数据、高维度问题和异构架构的训练挑战，并提出了解决方案。最后，提出了联邦学习训练中的剩余挑战和研究方向建议。

本研究探讨了预训练语言模型（LLM）侵犯个人隐私的问题，并构建了真实Reddit个人资料数据集。研究发现，LLM能够推断出地点、收入和性别等个人属性，匿名化和模型对齐等措施无效。研究呼吁对LLM隐私影响展开更广泛的讨论，力求实现更广泛的隐私保护。