面向高可扩展性回归训练的实用鲁棒联邦学习

基于摘要分析。本文主要研究 Internet of Medical Things（IoMT）中的隐私保护联邦回归训练，而非 EEG 解码或 BCI 算法。针对交互式联邦回归训练需要多轮通信，以及现有非交互式方案面临的隐私、维度扩展、数据拥有者掉线和聚合结果验证问题，作者提出 HE-NFRT 与 Mask-NFRT 两种方案。 HE-NFRT 基于同态加密，Mask-NFRT 基于双重掩码协议；两者均围绕非交互式联邦回归训练设计，目标是在不集中收集原始数据的情况下兼顾隐私、效率、鲁棒性与结果可验证性。摘要未给出具体回归形式、加密与掩码构造、掉线恢复机制，也未说明如何避免计算或通信开销对样本维度的线性依赖。 作者报告，安全分析表明两种方案能够保护本地训练数据隐私、抵抗合谋攻击，并支持各数据拥有者验证聚合结果；作者报告，性能评估显示 HE-NFRT 更适合高维且高安全需求的 IoMT 场景，Mask-NFRT 更适合高维、大规模场景。摘要未提供定量结果、数据集、参与方规模、威胁模型或对照设置，因此这些结论的适用边界，以及实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若跨机构 EEG 任务可表述为固定特征上的回归，本文的安全聚合与结果验证机制可能具有复用价值；这不等于其已验证 EEG/BCI 有效性。迁移需适配 EEG 特征、跨被试分布差异及参与方组织方式，低信噪比和小样本可能限制回归效果，通道差异可能破坏共享特征空间。可先在固定特征、固定数据划分下，对比明文联邦回归与两种隐私方案的预测误差、通信及计算开销，并模拟参与方掉线检验恢复和验证行为。已有 EEG 相关工作尚未检索确认。