本研究提出了一种新颖的联邦学习算法FedCGS，旨在解决传统联邦学习中的高通信成本和隐私攻击风险。该算法通过预训练模型捕获全局特征统计，实现了一次性联邦学习，表现出色，具有广泛应用潜力。

对抗训练提高模型韧性但成本高，随机平滑和形式验证有局限。投毒攻击影响性能，需要数据清洗和鲁棒性训练。隐私攻击威胁用户隐私，差分隐私提供保护但影响准确性。模型提取攻击需防范，设计安全AI系统仍需努力。

该论文研究了合成智能电表数据的一致性评估框架，并提出了改进方法来评估智能电表数据集的隐私风险。研究发现标准的隐私攻击方法不适用于智能电表数据集，提出了注入异常值进行隐私攻击的方法，并强调隐私损失的度量对隐私风险的影响。该论文还提出了明确的隐私测试的必要性。

本文调查了AI和DT模型启用机器人的隐私攻击，讨论了ML模型的渗透和数据泄露，以及从一阶模型中提取模型的潜在能力。主张一个可信的自治途径，强调将机器人、人工智能和数字孪生技术与道德框架和可靠性原则相结合，以实现安全可靠的AI机器人系统。

最近的研究发现，大型语言模型易受隐私攻击，推断出训练数据的某些方面。本文提出了一种针对主题模型的攻击方法，并探讨了差分隐私的主题模型以减轻这些弱点。该方法在保护隐私方面有改进，对实际效用影响较小。

这篇综述讨论了垂直联邦学习中的隐私攻击和防御方法，提供了分类方法，并探讨了未来的研究方向和挑战。为研究人员提供了资源，为从业者在机器学习模型的生命周期中保护数据隐私提供指导和见解。

本文研究了隐私保护深度学习机制对各种隐私攻击的能力，并提出了解决带噪声线性方程组的新方法。通过SPN技术解决了现有PPDL方法面临的隐私攻击挑战。实验表明，在数据隐私得到保护的情况下，模型准确性平均提高了5-20%。