文档摘要

5.2 联邦学习与隐私 AI：从梯度泄露到加密聚合 本节摘要：联邦学习把训练下放到数据方，但梯度本身就是泄露源——梯度反演攻击能从共享梯度里重建训练样本。同态加密在联邦架构里承担"加密聚合"角色：参与方加密本地方梯度，聚合服务器在密文上求和，只解密全局梯度。本节讲清攻击动机、加密聚合协议的完整时序、训练与推理两条路线的性能分野，以及与差分隐私的配合边界。 会员。《5.2 联邦学习与隐私 AI》收录于灏天文库文集《同态加密 (Homomorphic Encryption) 概念与前沿》，原作者/来源：灏天文库，整理自「灏天文库」，提供技术教程、实践指南与问题解决方案，支持在线阅读、全文检索与知识沉淀，助力开发者系统化学习。本站整理收录，版权归原作者/开源协议所有。

该文档为会员专享，请先登录或注册后再查看

登录 注册

---

作者与出处

原作者： 灏天文库

来源：灏天文库

原文： https://aiknowledge.cn/collection/527-%E5%90%8C%E6%80%81%E5%8A%A0%E5%AF%86-homomorphic-encryption-%E6%A6%82%E5%BF%B5%E4%B8%8E%E5%89%8D%E6%B2%BF

整理： 灏天文库整理

由灏天文库平台收录，内容或由平台用户上传，仅供学习交流