從機器學習(ML)的重要性和相關的隱私風險,產生了一個新的領域「隱私保護機器學習(Privacy-Preserving Machine Learning, PPML)」,推進和開發針對機器學習(ML) 中訊息洩漏的對策。
當引入其中一些機器學習(ML)風險和攻擊時,它們純粹是理論上的;因此,由於機器學習(ML)的快速進步和演變,攻擊者導致利用這些弱點以破壞、竊取這些資料並從中獲利。
隱私保護機器學習(PPML)提出了幾種技術和對策人們普遍認為,如果資料永遠不會讓持有者擁有以供機器學習(ML)演算法使用,那麼資料隱私就更高,與此相關的最廣泛和研究的領域是聯邦學習(FL)。