分布式机器学习可以为可信人工智能应用的设计提供一个适应性强但共享性强的条件；这主要是由于集中式远程学习机制缺乏隐私。尽管如此，分布式方法也受到了几种攻击模型（主要是数据中毒）的破坏：在这种情况下，学习方的恶意成员可能会注入不良数据。随着此类应用程序的重要性不断提高，学习模型必须面对安全和保护问题，就像面对多功能性问题一样。本文的目的是通过为分布式和联邦学习机制提供额外的安全特性来改进这些应用程序：...