概述了联邦可视化的概念、框架、方法与应用。联邦可视化框架能够在不进行数据整合的情况下，针对具体任务和特定场景进行加密训练，得出反映全体数据特征的可视化模型。联邦可视化是联邦学习框架在可视化领域的拓展应用，主要强调在保障数据隐私的前提下，互利共赢的联邦协作方式在对多数据源数据进行可视分析方面的应用，以打破各领域、各行业的数据壁垒，实现数据与知识的共享。
近年来，联邦学习作为解决数据孤岛问题的技术被广泛关注，已经开始被应用于金融、医疗健康以及智慧城市等领域。从3个层面系统阐述联邦学习算法。首先通过联邦学习的定义、架构、分类以及与传统分布式学习的对比来阐述联邦学习的概念；然后基于机器学习和深度学习对目前各类联邦学习算法进行分类比较和深入分析；最后分别从通信成本、客户端选择、聚合方式优化的角度对联邦学习优化算法进行分类，总结了联邦学习的研究现状，并提出了联邦学习面临的通信、系统异构、数据异构三大难题和解决方案，以及对未来的期望。
针对隐私保护的法律法规相继出台，数据孤岛现象已成为阻碍大数据和人工智能技术发展的主要瓶颈。联邦学习作为隐私计算的重要技术被广泛关注。从联邦学习的历史发展、概念、架构分类角度，阐述了联邦学习的技术优势，同时分析了联邦学习系统的各种攻击方式及其分类，讨论了不同联邦学习加密算法的差异。总结了联邦学习隐私保护和安全机制领域的研究，并提出了挑战和展望。
为了提高联邦学习的通信效率，针对用户计算能力和信道状态异构的场景，提出了一类基于时分多址接入的用户调度策略，在满足给定单轮模型训练所需计算的样本数量约束下，最小化单轮模型更新的系统时延。理论分析了该调度策略的预期收敛速度，探究收敛性能与系统总时延的均衡关系，并进一步分析最优批大小的选择问题。仿真结果显示，所提算法与基准算法相比，模型收敛速率提升30%以上。
为了应对设备差异化计算能力及非独立同分布数据对联邦学习性能的影响，高效地调度终端设备完成模型聚合，提出了一种基于深度强化学习的设备节点选择方法。该方法考虑异构节点的训练质量和效率，筛选恶意节点，在提升联邦学习模型准确率的同时，优化训练时延。首先，根据联邦学习中模型分布式训练的特点，构建基于深度强化学习的节点选择系统模型。其次，考虑设备训练时延、模型传输时延和准确率等因素，提出面向节点选择的准确率最优化问题模型。然后，将问题模型构建为马尔可夫决策过程，并设计基于分布式近端策略优化的节点选择算法，在每次训练迭代前选择合理的设备集合完成模型聚合。仿真实验表明，所提方法显著提高了联邦学习的准确率和训练速度，且具有良好的收敛性和稳健性。
海量数据价值虽高但与用户隐私关联也十分密切，以高效安全地共享多方数据且避免隐私泄露为目标，介绍了非聚合式数据共享领域的研究发展。首先，简述安全多方计算及其相关技术，包括同态加密、不经意传输、秘密共享等；其次，分析联邦学习架构，从源数据节点和通信传输优化方面探讨现有研究；最后，整理对比面向隐私保护的非聚合式数据共享框架，为后续研究方案构建和运行提供支撑。此外，总结提出非聚合式数据共享领域的挑战和潜在的研究方向，如复杂多参与方场景、优化开销平衡、相关安全隐患等。
联邦学习由于能够在多方数据源聚合的场景下协同训练全局最优模型，近年来迅速成为安全机器学习领域的研究热点。首先，归纳了联邦学习定义、算法原理和分类；接着，深入分析了其面临的主要威胁与挑战；然后，重点对通信效率、隐私安全、信任与激励机制3个方向的典型研究方案对比分析，指出其优缺点；最后，结合边缘计算、区块链、5G等新兴技术对联邦学习的应用前景及研究热点进行展望。
针对边缘计算的数据隐私性、计算结果正确性和数据处理过程可审计性等需求，提出了一种基于区块链和联邦学习的边缘计算隐私保护方法，不需要可信环境和特殊硬件设施即可在网络边缘处联合多设备实现安全可靠的协同训练。利用区块链赋予边缘计算防篡改和抗单点故障攻击等特性，并在共识协议中融入梯度验证和激励机制，鼓励更多的本地设备诚实地向联邦学习贡献算力和数据。对于联邦学习共享模型参数导致的潜在隐私泄露问题，设计自适应差分隐私机制保护参数隐私的同时减小噪声对模型准确性的影响，并通过时刻统计精确追踪训练过程中的隐私损失。实验结果表明，所提方法能够抵抗30%的中毒攻击，并且能以较高的模型准确率实现隐私保护，适用于对安全性和准确性要求较高的边缘计算场景。
针对节点数据分布差异给联邦学习算法性能带来不良影响的问题，提出了一个基于标签量信息的节点选择算法。算法设计了一个关于节点标签量信息的优化目标，考虑在一定时耗限制下选择标签分布尽可能均衡的节点组合优化问题。根据节点组合的综合标签分布与模型收敛的相关性，新算法降低了全局模型的权重偏移上界以改善算法的收敛稳定性。仿真验证了新算法与现有的节点选择算法相比拥有更高的收敛效率。
联邦学习是一种新兴的分布式机器学习技术，通过将训练任务下放到用户端，仅将训练得到的模型参数发送给服务端，整个过程并不需要参与方直接共享数据，从而很大限度上规避了隐私问题。然而，这种学习模式中移动用户间没有预先建立信任关系，用户之间进行合作训练时会存在安全隐患。针对上述问题，提出一种基于信誉评估机制和区块链的移动网络联邦学习方案，该方案允许服务端利用主观逻辑模型对参与训练的移动用户进行信誉评估，并且基于区块链智能合约技术为其提供可信的信誉意见共享环境和动态访问策略接口。理论和实验分析结果表明，此方案可以使服务端选择可靠的用户进行训练，同时能够实现更公平和有效的信誉计算，提高联邦学习的准确性。
