该文综述联邦学习中的梯度反演攻击与防御。攻击可从共享梯度或权重中恢复训练图像，在CIFAR-10、ImageNet上超越GradInversion；新方法利用最后一层梯度与标签映射、多重时间梯度等提升重构效果。防御方面，重叠梯度、损失函数设计、同标签批处理、梯度量化与稀疏化可降低泄露风险。

本文综述联邦学习隐私保护研究，涵盖梯度泄露与反演攻击、本地差分隐私、梯度追踪、数据扰动防御及判别性对抗隐私等方法，并评估其隐私与性能权衡。