机器学习需要多样化的训练数据集才能取得良好效果。在不同国家/公司之间共享数据集往往涉及法律和隐私问题。联邦学习是一种学习框架，其中的数据集分布在不同的智能体上，可以在不集中数据的情况下对复杂数据集进行训练。每个智能体根据自己的数据集进行本地训练，模型更新则集中进行。尽管这一过程看似安全，但由于每个智能体都可以任意操纵更新，因此引发了许多安全问题。目前的文献强调了攻击最终模型的可能方法。本论文主要关注有针对性的攻击，其目标是对数据集中的选定标签进行错误分类。论文将研究主要的攻击和防御策略，最后提出一种基于通用对抗网络（GAN）的新攻击。GAN 攻击可以破坏并穿过服务器防御机制，这说明了在实施这些机制时可能出现的问题。最后，研究并讨论了提高联邦学习安全性的可能思路。

图 2.1： 梯度深层渗漏（DLG） 算法概览。需要更新的变量用粗体边框标出。正常参与者使用其私人训练数据计算 W 以更新参数，而恶意攻击者则更新其虚拟输入和标签，以最小化梯度距离。优化结束后，恶意用户可以从诚实的参与者那里获得训练集。[1]