综述文献：A Survey on Federated Learning Systems- Vision, Hype and Reality for Data Privacy and Protection 部分知识整理 文献总结了联邦学习系统的特点和分类。 机器学习算法需要大量数据，单组织数据无法训练高质量模型。由于政策法规（数据保护条例）限制，不同组织的数据隔离，形成数据孤岛（data islands），无法简单共享数据。保护数据隐私同时，开发具有良好预测性能的联邦学习系统是一个挑战。 联邦学习系统（federated learning systems，FLSs）目标是在限制用户隐私的情况下，

通信技术和医疗物联网的最新进展改变了由人工智能(AI)实现的智能医疗。传统上，人工智能技术需要集中的数据收集和处理，但由于现代医疗网络的高度可扩展性和日益增长的数据隐私问题，这在现实的医疗场景中可能不可行。联邦学习(FL)是一种新兴的分布式协同人工智能范式，通过协调多个客户(如医院)在不共享原始数据的情况下进行人工智能训练，对智能医疗保健特别有吸引力。

联邦学习Advances and Open Problems in Federated Learning，谷歌最新力作，分析了联邦学习最新研究热点和未来的方向

隐私计算产品评估体系 综述

联邦学习(FL)是一种机器学习设置，许多客户(例如移动设备或整个组织)在保持数据分散的同时协同训练一个模型。

新加坡南洋理工大学-于涵-联邦学习中的博弈论，联邦学习在数据挖掘中具有重要优势，PPT介绍了联邦学习的应用

适合联邦学习汇报使用

清华大学2021最新联邦学习全球趋势报告

Federated Learning 人工智能（Artificial Intelligence, AI）进入以深度学习为主导的大数据时代，基于大数据的机器学习既推动了AI的蓬勃发展，也带来了一系列安全隐患。这些隐患来源于深度学习本身的学习机制，无论是在它的模型建造（训练）阶段，还是在模型推理和使用阶段。这些安全隐患如果被有意或无意地滥用，后果将十分严重。 联邦学习是一种 隐私保护、数据本地存储与计算 的机器学习算法。 文献参考 Part 1: Introduction Part 2: Survey Federated Machine Learning: Concept and Applications Threats to Federated Learning: A Survey Survey of Personalization Techniques for Federated Lear

浅谈联邦学习场景中的数据去标识化.pdf