PILLAR是一款AI驱动的隐私威胁建模工具，自动识别系统和应用中的隐私风险。通过机器学习和自然语言处理，PILLAR解析系统设计和文档，生成威胁场景并提出缓解策略，提高效率和可扩展性，帮助开发者和安全团队更早解决隐私问题。尽管面临文档依赖和模型可靠性挑战，PILLAR展示了AI在隐私工程领域的潜力。

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。

该研究介绍了首个音频-视觉深度伪造数据库SWAN-DF，展示了高质量的嘴唇与语音同步。研究表明，调整深度伪造模型可以成功欺骗识别系统，并探讨了音频信号分析技术及生成式AI在语音领域的隐私威胁，提出了自动化音频检测方法，以提高DeepFake检测的准确性。

该文介绍了一种基于标签的模型反演攻击方法，通过知识转移和代理模型提高了攻击成功率，同时突出了机器学习模型面临的隐私威胁。