本文介绍了联邦学习的概念及其隐私威胁，重点分析了污染攻击和推理攻击。研究提出了评估客户隐私泄漏的框架，并探讨了提高系统鲁棒性和隐私保护的策略，包括基于隐私保护的联合学习框架和个性化图形联邦学习算法。实验结果表明，新方法在隐私保护和模型效用上具有显著优势。

人工智能系统广泛应用，但需评估隐私风险。研究人员提出新框架，通过推理攻击评估分类模型的隐私风险。方法在经典和语言分类任务中准确。